Ahoj, jmenuji se Matt Ketterer a jsem čerstvým absolventem magisterského studia aplikované statistiky na Pennsylvania State University. Ve svém výzkumném projektu jsem využil prostorová data k odhadu zdravotních přínosů přístupu k veřejným parkům. I když nejsem uživatelem ArcGIS, zjistil jsem během svého výzkumu, že prostorová data mohou vést k novým proměnným vytvořeným inženýrskými metodami. Tento blogový příspěvek je o mé cestě používání prostorových dat k predikci zdraví kombinací s národními daty ze zdravotních průzkumů. <\/P>
Trust for Public Land (tpl.org) je organizace věnovaná zvyšování a sledování přístupu k veřejným parkům v USA. Její mise „propojit každého s přírodou“ je snadno pochopitelný koncept, který by pravděpodobně prospěl zdraví lidí. Přesto jsem se zajímal, zda budu schopen modelovat tento vztah, abych ukázal, zda přístup zlepšuje zdravotní výsledky a o kolik. Například by bylo cenné z hlediska úspor nákladů na zdravotní péči vědět, do jaké míry by přístup k parkům mohl snížit návštěvy lékaře tím, že podpoří venkovní aktivity a fyzickou aktivitu. Chtěl jsem zjistit, zda mohu tento vztah modelovat pomocí dat z metropolitních a mikropolitních oblastí USA z Behavioral Risk Factor Surveillance System (BRFSS) CDC. Jedná se o podmnožinu rozsáhlého telefonického zdravotního průzkumu zaměřeného na městské oblasti, kde žije většina populace a které se očekává, že porostou i v budoucnu.<\/P>
Databáze ParkServe je skvělý nástroj, na který jsem narazil. I když je jejím hlavním účelem sloužit jako inventář parků, obsahuje také demografická data z sčítání lidu a filtry související se zdravím přímo na webu. Použil jsem ji k porovnání procenta přístupu k parkům napříč odpověďmi ze zdravotního průzkumu CDC.<\/P>
Sběr dat a průzkumná analýza<\/STRONG><\/P>Pro správu, modelování a reportování dat jsem použil programovací jazyk R, protože je volně dostupný a robustní. V budoucnu bych rád používal ArcGIS a R společně, aby bylo snazší vytvářet mapy a odhadovat prostorové proměnné. Protože data o veřejných parcích jsou dostupná přes webový portál, musel jsem ručně získat hodnoty pro každou z 130 metropolitních a mikropolitních oblastí CDC z ParkServe Database GIS portálu. Tato část sběru dat byla někdy obtížná. Jakmile jsem měl všechny hodnoty pro každé město/region, mohl jsem je sloučit s přibližně 220 000 individuálními odpověďmi přiřazenými ke správnému městu v datasetu CDC pomocí programovacího jazyka R. Nejtěžší bylo, když některé regiony neseděly úplně kvůli drobným změnám v definicích Core Based Statistical Area (CBSA) mezi lety 2015 a 2024. V případě, že okres chyběl mezi dvěma definicemi CBSA, musel jsem ručně kombinovat okresy a vytvořit odhad přístupu k parku pomocí vážených průměrů populace. Níže mapa ukazuje všechny oblasti použité v datasetu a jejich odpovídající procento přístupu k parku pro obyvatele každého města. <\/P>
<\/span><\/P> <\/P>Vytvoření statistického modelu a výsledky<\/STRONG><\/P>Pro odhad vlivu přístupu k veřejným parkům jsem si vybral odpověď na otázku BRFSS průzkumu „Kolik dní během posledních 30 dnů nebylo vaše fyzické zdraví dobré?“. Jedná se o diskrétní početní proměnnou mezi 0 a 30, kterou lze modelovat pomocí počtové distribuce, v tomto případě zero-inflated negativní binomické distribuce (nezaměňovat s binomickou používanou v logistické regresi). Výhodou použití počtové proměnné ve statistickém modelu oproti kategorické proměnné, například ptát se, zda je vaše zdraví „Dobré“, „Průměrné“ nebo „Špatné“, je to, že obsahuje více informací a tím poskytuje větší statistickou sílu, protože existuje 31 „košů“ odpovědí a jsou uspořádány. Model byl také upraven o mnoho faktorů ovlivňujících zdraví, aby poskytl určitou validaci proměnné přístupu k parku. Prediktorové proměnné použité v modelu byly přístup k parku, věk, rasa, pohlaví, vzdělání a kouření. Do modelu byla zahrnuta i samotná oblast, aby se zjistilo, zda existují rozdíly v odpovědích na nezdravé dny, ale nebyla statisticky odlišná od jiných měst.<\/P>
<\/span><\/P> <\/P> Obrázek výše ukazuje předpovězený pokles nezdravých dnů s rostoucím přístupem k parku a je rozdělen podle věku a vzdělání. <\/P>
<\/span><\/P> Na tomto grafu je předpovězená odpověď na nezdravé dny rozčleněna podle pohlaví a rasy a ukazuje stejný trend – snižování počtu nezdravých dnů u obyvatel měst s vyšším přístupem k parkům. <\/P> <\/P>Po úpravě o další faktory známé jako příčiny špatného zdraví má přístup k parku malý, ale významný efekt. Obyvatelé žijící ve městě s lepším systémem parků mají nižší předpokládaný počet nemocných dnů než ti žijící v nejnižší kategorii. To naznačuje, že zvýšený přístup podporuje využívání parků a fyzickou aktivitu jako chůzi a pobyt v přírodě, což zlepšuje zdraví. Také když mluvíme o celých populacích, malé pozitivní přínosy se sčítají do úspor nákladů.<\/P>Závěrečné myšlenky<\/STRONG><\/P>Jsem nadšený a inspirovaný pokračovat ve výzkumu kombinující prostorová i neprostorová data v budoucnu. Doufám, že budu moci přímo pracovat s ArcGIS a R prozkoumat jejich možnosti. Mezitím vezmu své dítě do parku. Pokud budete mít někdy možnost prozkoumat oblast Puget Sound, určitě to udělejte nebo navštivte svůj místní park či prosazujte více parků tam, kde žijete. <\/P>Děkuji za přečtení! Neváhejte mě kontaktovat s dotazy e-mailem na mketterbob@gmail.com nebo na LinkedIn.<\/P> <\/P>
