Machine learning for modelling the health impacts of extreme heat: A comprehensive literature review
Notice bibliographique
Résumé
• Machine learning (ML) is increasingly used in environmental and health sciences. • We performed a literature review of current ML applications in heat-health studies. • Studies were from high-income countries and mainly predicted one health outcome. • Random Forest was the most widely used, but did not systematically perform best. • Deep learning and global datasets should be leveraged for populations most at risk. Extreme heat ranks among the deadliest weather events globally. The number of heat-related deaths is expected to rise sharply as population ages and climate changes. In recent years, machine learning (ML) approaches have been increasingly used across a range of environmental and health fields, including heat-health studies. In this paper, we conducted a comprehensive literature review of the current ML applications for modelling the human health impacts of extreme heat. We searched for relevant scientific articles published in English in PubMed, Scopus and Web of Science databases from their inception to the search date of December 20, 2024. After screening titles, abstracts and full-texts, 25 papers were included in this review. We found that most of the studies were conducted in high-income countries such as Japan, Canada, South Korea or the United States. The studies primarily modelled a single health outcome, including all-cause mortality or heat-related illness, in the general population. The main predictors of health outcome were maximum and mean air temperature, followed by relative humidity, and various temporal and socio-demographic variables. The most commonly used approach was Random Forest. Results were mixed regarding the optimal algorithm and most important predictors. This review highlighted the strengths and limitations of current ML applications in heat-health studies. We propose recommendations to help guide the future development of these approaches to reduce the heat-related health burden globally. Future research should 1) study multiple health endpoints at the individual level in vulnerable populations, 2) leverage deep learning with spatiotemporal representations of environmental predictors, and 3) use data from multiple locations at a high spatial resolution to provide insights in data-scarce regions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».