การวิเคราะห์อนุกรมเวลาข้อมูลกรุงเทพฯ ปี 2559-2563 ใช้ RNN, LSTM และ GRU เชื่อมมลพิษ 6 ชนิดกับการเสียชีวิตรายวัน รายงานว่า LSTM ที่ใช้ช่วงหน่วง 23 วันทำผลงานดีที่สุด และ SHAP ให้น้ำหนักความชื้น PM2.5 และโอโซนสูงในแบบจำลองรวม อย่างไรก็ดี แบบจำลองพยากรณ์ไม่เท่ากับการประมาณจำนวนผู้เสียชีวิตที่มีสาเหตุจากมลพิษ
ข้อค้นพบสำคัญ
- รายงานค่ามัธยฐานการเสียชีวิตก่อนวัย 36 รายต่อวัน และเลือก LSTM ช่วงหน่วง 23 วันเป็นแบบจำลองเด่น สำหรับผลรวม SHAP ให้น้ำหนักความชื้น PM2.5 และ O3; กลุ่มสูงอายุเด่นที่ PM10, PM2.5 และ CO; การเสียชีวิตระบบหายใจเด่นที่ PM2.5, NO2 และ PM10 อย่างไรก็ตามข้อความที่ว่าเลือกจาก R² ต่ำสุดขัดกับหลักการทั่วไปและต้องตรวจนิยามตัวชี้วัดจากฉบับเต็ม
ทำไมจึงมีความสำคัญระดับโลก
งานสะท้อนศักยภาพของแบบจำลองลำดับเวลาสำหรับระบบเตือนภัยสุขภาพเมือง หากมีการตรวจสอบนอกช่วงเวลาและเชื่อมกับแบบจำลองระบาดวิทยาที่ประเมินผลเชิงสาเหตุอย่างเหมาะสม
บทบาทของนักวิจัยไทย
ทีมนักวิจัยไทยนำข้อมูลกรุงเทพฯ มาพัฒนาวิธีวิเคราะห์ที่เชื่อมสิ่งแวดล้อม วิศวกรรม และสาธารณสุข พร้อมแสดงตัวอย่างการอธิบายแบบจำลองด้วย SHAP
ข้อจำกัดที่ควรรู้
เป็นข้อมูลเชิงนิเวศและการพยากรณ์ ไม่พิสูจน์เหตุและผล ปัจจัยฤดูกาล ไข้หวัด COVID-19 การเปลี่ยนประชากรและนโยบายอาจรบกวน ช่วงปี 2563ทับกับการระบาด รายละเอียดการแยกชุดฝึก-ทดสอบและการตรวจนอกช่วงเวลาต้องตรวจเพิ่ม และ SHAP อธิบายแบบจำลอง ไม่ใช่กลไกชีวภาพ