Olá, meu nome é Matt Ketterer e sou recém-formado em Mestrado em Estatística Aplicada pela Pennsylvania State University. No meu projeto de pesquisa, utilizei dados espaciais para estimar os benefícios à saúde do acesso a parques públicos. Embora eu não seja usuário do ArcGIS, descobri através da minha pesquisa que dados espaciais podem levar a novas variáveis criadas por engenharia de características. Este post no blog é sobre minha jornada usando dados espaciais para prever saúde combinando-os com dados da pesquisa nacional de saúde. <\/P>
A Trust for Public Land (tpl.org) é dedicada a aumentar e monitorar o acesso a parques públicos nos EUA. Sua missão de 1 conectar todos ao ar livre7 é um conceito fácil de apoiar e provavelmente seria benéfico para a saúde das pessoas. Ainda assim, eu me perguntei se seria capaz de modelar essa relaE7E3o para mostrar se o acesso melhora os resultados de saúde e em que medida. Por exemplo, seria valioso saber do ponto de vista da economia em custos de saúde até que ponto o acesso a parques poderia reduzir visitas ao sistema de saúde incentivando atividades ao ar livre e atividade física. Eu queria ver se poderia modelar isso usando as E1reas metropolitanas e micropolitanas dos EUA a partir dos dados do Behavioral Risk Factor Surveillance System (BRFSS) do CDC. Este é um subconjunto de uma enorme pesquisa telefônica de saúde que foca em E1reas urbanas e cidades, onde reside a maior parte da populaE7E3o, e que se prevê crescer no futuro.<\/P>
O banco de dados ParkServe E9 uma ferramenta excelente que encontrei. Embora sua funE7E3o principal seja servir como inventE1rio para parques, ele possui demografia do censo e filtros relacionados E0 saFAde incorporados no site. Usei-o para comparar percentuais de acesso com as respostas da pesquisa de saFAde do CDC.<\/P>
Coleta de Dados e AnE1lise ExploratF3ria<\/STRONG><\/P>Para gerenciar, modelar e relatar os dados, usei a linguagem de programaE7E3o R, pois E9 gratuita e robusta. No futuro, gostaria de usar ArcGIS e R juntos para facilitar a criaE7E3o de mapas e estimaE7E3o de variE1veis espaciais. Como os dados dos parques pFAblicos sE3o acessados por um portal web, tive que recuperar manualmente os valores para cada uma das 130 E1reas metropolitanas e micropolitanas pesquisadas pelo CDC no portal GIS do banco de dados ParkServe. Esta parte da coleta de dados foi por vezes trabalhosa. Uma vez que tive todos os valores para cada cidade/regiE3o, pude mesclá-los com aproximadamente 220.000 respostas individuais correspondentes E0 sua cidade no conjunto de dados do CDC usando a linguagem R. A parte mais difícil foi quando algumas regiF5es nE3o coincidiram completamente devido a pequenas alteraE7F5es nas definiE7Fes da rea estatística baseada no núcleo (CBSA) entre 2015 e 2024. No caso em que um condado estava ausente entre duas definições CBSA, tive que combinar manualmente condados para obter uma estimativa de acesso ao parque usando mdias ponderadas pela populaçã0. Abaixo o mapa mostra todas as áreas usadas no conjunto de dados e seu percentual correspondente de acesso ao parque para os residentes de cada cidade. <\/P>
<\/span><\/P> <\/P>Construindo um Modelo Estatístico e Resultados<\/STRONG><\/P>Para estimar o efeito do acesso a parques públicos, escolhi uma variável resposta da pergunta da pesquisa BRFSS "Quantos dias nos últimos 30 dias sua saúde física não esteve boa?". Esta é uma variável discreta de contagem entre 0 e 30 que pode ser modelada com uma distribuição de contagem, neste caso uma distribuição binomial negativa inflacionada em zero (não confundir com binomial usada na regressão logística). A vantagem de usar uma variável de contagem em um modelo estatístico, em vez de uma categórica, como perguntar se sua saúde é "Boa", "Regular" ou "Ruim", é que há mais informação, dando assim mais poder estatístico, já que existem 31 'caixas' de respostas e elas são ordenadas. O modelo também foi ajustado para muitos fatores que afetariam a saúde; isso foi para dar alguma validação à variável acesso ao parque. As variáveis preditoras usadas no modelo foram acesso ao parque, idade, raça, sexo, educação e tabagismo. A própria região também foi incluída no modelo para ver se havia diferenças nas respostas sobre dias não saudáveis, mas não foi estatisticamente diferente de qualquer outra cidade.<\/P>
<\/span><\/P> <\/P> A figura acima mostra que os dias não saudáveis previstos diminuem conforme o acesso ao parque aumenta e está estratificada por idade e educação. <\/P>
<\/span><\/P> Aqui neste gráfico a resposta prevista dos dias não saudáveis está estratificada por sexo e raça, mostrando a mesma tendência: diminuição dos dias não saudáveis para residentes das cidades com maior acesso aos parques. <\/P> <\/P>Após ajustar para outros fatores conhecidos por causar má saúde, o acesso ao parque tem um efeito pequeno mas significativo. Habitantes vivendo em uma cidade com um sistema melhor de parques têm um número previsto menor de dias doentes do que aqueles que vivem na faixa mais baixa. Isso implicaria que o aumento do acesso ajuda a impulsionar o uso dos parques e atividade física como caminhar e estar na natureza, melhorando a saúde. Além disso, quando falamos sobre populações inteiras, pequenos benefícios positivos somam economias em custos.<\/P>Considerações Finais<\/STRONG><\/P>Estou animado e inspirado para perseguir mais pesquisas combinando dados espaciais e não espaciais no futuro. Espero trabalhar diretamente com ArcGIS e R futuramente para explorar suas possibilidades. Enquanto isso, vou levar meu filho ao parque. Se você tiver oportunidade, explore a área do Puget Sound ou simplesmente visite seu parque local ou defenda mais parques onde você mora. <\/P>Obrigado por ler! Sinta-se à vontade para me contatar com perguntas por email em mketterbob@gmail.com ou no LinkedIn.<\/P> <\/P>
