Το εργαλείο Google Street View θα μπορούσε να χρησιμοποιηθεί για την πρόβλεψη του κινδύνου εμφάνισης στεφανιαίας νόσου μέσω της ανάλυσης του περιβάλλοντος. Οι ερευνητές της μελέτης χρησιμοποίησαν το εργαλειο της Google προκειμένου να μελετήσουν εκατοντάδες στοιχεία του δομημένου περιβάλλοντος, συμπεριλαμβανομένων κτιρίων, χώρων πρασίνου, πεζοδρομίων και δρόμων, και τον ρόλο που παίζουν στην υγεία της καρδιάς. Η ομάδα κατάφερε να προσδιορίσει τη σχέση μεταξύ αυτών των περιβαλλοντικών στοιχείων- συμπεριλαμβανομένης της παρουσίας ή της απουσίας ρύπανσης– και του κινδύνου στεφανιαίας νόσου. Διαπίστώθηκε ότι χαρακτηριστικά του δομημένου περιβάλλοντος θα μπορούσαν να προβλέψουν το 63% της διακύμανσης της στεφανιαίας νόσου από τη μια γειτονιά στην άλλη.
Οι ερευνητές ανέλυσαν περισσότερες από μισό εκατομμύριο εικόνες του Google Street View από πόλεις των ΗΠΑ, χρησιμοποιώντας υπολογιστική όραση για τον εντοπισμό και την ερμηνεία λεπτομερειών που θα μπορούσαν να περάσουν απαρατήρητες από το ανθρώπινο μάτι. Τα δεδομένα παρέχουν στους πολεοδόμους και τους αξιωματούχους δημόσιας υγείας πληροφορίες για τον σχεδιασμό πιο υγιεινών χώρων διαβίωσης και γειτονιών, σύμφωνα με την ερευνητική ομάδα.
«Αναμφίβολα, υπάρχει ένας τεράστιος όγκος δημογραφικών, κοινωνικών, οικονομικών και περιβαλλοντικών δεδομένων», δήλωσε ο Σάντζεϊ Ρατζαγκοπαλάν, ένας από τους συγγραφείς της μελέτης, από τα Πανεπιστημιακά νοσοκομεία Harrington, το Ινστιτούτο Καρδιάς του Οχάιο και το Πανεπιστήμιο Case Western Reserve.
«Ωστόσο, εξακολουθούν να υπάρχουν σημαντικά κενά στις γνώσεις μας όσον αφορά τις μοναδικές περιβαλλοντικές πτυχές των δεδομένων οι οποίες επί του παρόντος είναι πέρα από την ανθρώπινη αντίληψη ή ερμηνεία. Η χρήση προσεγγίσεων υπολογιστικής όρασης μπορεί να επιτρέψει την καλυτερη κατανόηση του φυσικού και δομημένου περιβάλλοντος» σημείωσε.
Η μελέτη περιλάμβανε εικόνες από το Ντιτρόιτ, το Κάνσας Σίτι, το Κλίβελαντ, το Μπράουνσβιλ, το Φρίμοντ, το Μπέλβιου και το Ντένβερ. Πρόκειται για μικρότερες περιοχές στις οποίες ζουν κατά μέσο όρο 4.000 άνθρωποι. Οι ερευνητές χρησιμοποίησαν μια προσέγγιση που ονομάζεται συνελικτικό νευρωνικό δίκτυο– ένα είδος τεχνητής νοημοσύνης που μπορεί να αναγνωρίζει και να αναλύει μοτίβα σε εικόνες προκειμένου να κάνει προβλέψεις.
«Πάντα μας ενδιέφερε πώς το περιβάλλον, τόσο το δομημένο όσο και το φυσικό, επηρεάζει τις καρδιαγγειακές παθήσεις. Εδώ στην Αμερική, λέμε ότι ο ταχυδρομικός κώδικας είναι ο καλύτερος προγνωστικός δείκτης καρδιακών παθήσεων ακόμη και από τις ατομικές μετρήσεις υγείας. Ωστόσο, η διερεύνηση του τρόπου με τον οποίο το περιβάλλον επηρεάζει μεγάλους πληθυσμούς σε πολλές πόλεις δεν είναι εύκολη υπόθεση. Ως εκ τούτου, χρησιμοποιήσαμε προσεγγίσεις βασισμένες στη μηχανική όραση για να αξιολογήσουμε τις σχέσεις μεταξύ του δομημένου περιβάλλοντος και του επιπολασμού της στεφανιαίας νόσου στις πόλεις των ΗΠΑ» εξήγησε ο Ρατζαγκοπαλάν.
«Χρησιμοποιήσαμε επίσης μια μέθοδο η οποία αναδεικνύει ορισμένες από τις σημαντικές περιοχές στην εικόνα, προκειμένου να παράσχουμε μια ημιποιοτική ερμηνεία ορισμένων από τα χιλιάδες χαρακτηριστικά που μπορεί να είναι σημαντικά για τη στεφανιαία νόσο. Για παράδειγμα, χαρακτηριστικά όπως οι χώροι πρασίνου και οι πεζοδρόμοι συνδέθηκαν με χαμηλότερο κίνδυνο, ενώ άλλα χαρακτηριστικά, όπως οι κακοστρωμένοι δρόμοι, συνδέθηκαν με υψηλότερο κίνδυνο. Ωστόσο, τα ευρήματα αυτά χρειάζονται περαιτέρω διερεύνηση», δήλωσε ο συν-συγγραφέας της μελέτης Σαντίρ Αλ-Κιντί.
«Με τις επερχόμενες προκλήσεις, συμπεριλαμβανομένης της κλιματικής αλλαγής και της μεταβαλλόμενης δημογραφικής εξέλιξης, όπου σχεδόν το 70% του παγκόσμιου πληθυσμού θα ζει σε αστικά περιβάλλοντα, υπάρχει επιτακτική ανάγκη να κατανοήσουμε αυτά τα περιβάλλοντα σε κλίμακα, χρησιμοποιώντας προσεγγίσεις υπολογιστικής όρασης που παρέχουν εξαιρετική λεπτομέρεια σε απαράμιλλο επίπεδο», κατέληξε ο Ρατζαγκοπαλάν.
Τα ευρήματα της μελέτης δημοσιεύθηκαν στην επιστημονική επιθεώρηση «European Heart Journal».
ΠΗΓΗ: Medicalxpress
Κάνε like στη σελίδα μας στο Facebook
Ακολούθησε μας στο Twitter
Κάνε εγγραφή στο κανάλι μας στο Youtube
– Αναφέρεται ως πηγή το ertnews.gr στο σημείο όπου γίνεται η αναφορά.
– Στο τέλος του άρθρου ως Πηγή
– Σε ένα από τα δύο σημεία να υπάρχει ενεργός σύνδεσμος