Suchergebnisse

Abstract. Myocardial infarctions (MIs) are a major cause of death worldwide, and both high and low temperatures (i.e. heat and cold) may increase the risk of MI. The relationship between health impacts and climate is complex and influenced by a multitude of climatic, environmental, socio-demographic and behavioural factors. Here, we present a machine learning (ML) approach for predicting MI events based on multiple environmental and demographic variables. We derived data on MI events from the KORA MI registry dataset for Augsburg, Germany, between 1998 and 2015. Multivariable predictors include weather and climate, air pollution (PM10, NO, NO2, SO2 and O3), surrounding vegetation and demographic data. We tested the following ML regression algorithms: decision tree, random forest, multi-layer perceptron, gradient boosting and ridge regression. The models are able to predict the total annual number of MIs reasonably well (adjusted R2=0.62–0.71). Inter-annual variations and long-term trends are captured. Across models the most important predictors are air pollution and daily temperatures. Variables not related to environmental conditions, such as demographics need to be considered as well. This ML approach provides a promising basis to model future MI under changing environmental conditions, as projected by scenarios for climate and other environmental changes.

Hintergrund: In epidemiologischen Studien ist die standardisierte Erfassung soziodemografischer Merkmale von hoher Bedeutung, da Variablen wie Geschlecht, Alter, Bildung oder Erwerbsstatus wichtige Einflussfaktoren auf Gesundheitschancen und Krankheitsrisiken darstellen. In der NAKO Gesundheitsstudie werden zentrale Faktoren aus diesem Themenbereich berücksichtigt. Ziel der Arbeit: Der Beitrag gibt einen Überblick über den wissenschaftlichen Hintergrund und die konkrete Erhebung soziodemografischer Angaben in der NAKO. Zudem werden die Verteilung einzelner Merkmale sowie Zusammenhänge mit gesundheitsassoziierten Maßen exemplarisch vorgestellt. Material und Methoden: Anhand der Daten zur Halbzeit der Basiserhebung (n = 101.724) wurde die Verteilung soziodemografischer Merkmale dargestellt und Zusammenhänge mit beispielhaft ausgewählten Gesundheitsindikatoren (Body-Mass-Index, selbst berichtete Gesundheit) analysiert, um die Validität der Messung soziodemografischer Angaben zu beurteilen. Ergebnisse: Das mittlere Alter der Teilnehmenden lag bei 52,0 Jahren (SD = 12,4). 53,6 % der Teilnehmenden waren Frauen, 54,3 % hatten einen hohen Bildungsabschluss, 60,1 % waren verheiratet zusammenlebend, 72,0 % erwerbstätig und 3,4 % erwerbslos. Bekannte Zusammenhänge zwischen Soziodemografie und Gesundheit konnten reproduziert werden. So waren niedrige Bildung, hohes Alter und Erwerbslosigkeit mit einer erhöhten Häufigkeit von Adipositas und schlechter selbst berichteter Gesundheit assoziiert. Diskussion: Die NAKO Gesundheitsstudie erhebt viele soziodemografische Merkmale. In Kombination mit der Fülle an Gesundheitsdaten und dem Längsschnittdesign ergeben sich so neue Möglichkeiten für die gesundheitswissenschaftliche und sozialepidemiologische Forschung in Deutschland.