חוקרים השתמשו ב-Google Street View כדי לחקור מאות אלמנטים של הסביבה הבנויה, כולל מבנים, שטחים ירוקים, מדרכות וכבישים, וכיצד אלמנטים אלו קשורים זה לזה ומשפיעים על מחלות עורקים כליליים באנשים המתגוררים בשכונות אלו.
הממצאים שלהם, שפורסמו ב- יומן הלב האירופי היום (חמישי), מראים שגורמים אלו יכולים לחזות 63% מהשונות בסיכון למחלת לב כלילית מאזור אחד למשנהו.
מחלת לב כלילית, שבה הצטברות של חומרים שומניים בעורקים הכליליים קוטעת את אספקת הדם ללב, היא אחת הצורות הנפוצות ביותר של מחלות לב וכלי דם.
חוקרים אומרים ששימוש ב-Google Street View יכול לעזור לספק סקירה כללית של גורמי סיכון סביבתיים פיזיים בסביבות הבנויות והטבעיות שיכולות לעזור לא רק בהבנת גורמי הסיכון בסביבות אלה, אלא בסופו של דבר לסייע בבנייה או התאמת עיירות וערים כדי להפוך אותן לבריאות יותר. מקומות מגורים.
את המחקר הובילו פרופ' סאדיר אל-קינדי ופרופ' סנג'אי רג'גופאלן מבתי החולים האוניברסיטאיים הרינגטון לב וכלי דם ואוניברסיטת קייס ווסטרן רזרב, אוהיו, ארה"ב, וד"ר ז'ו צ'ן, עמית פוסט-דוקטורט במעבדתו של פרופ' ראג'גופאלן. .
פרופ' ראג'גופאלן אמר: "תמיד התעניינו כיצד הסביבה, הן הסביבה הבנויה והן הטבעית, משפיעה על מחלות לב וכלי דם. כאן באמריקה אומרים שהמיקוד הוא מנבא טוב יותר למחלות לב אפילו מדדים אישיים לבריאות. עם זאת, לחקור כיצד הסביבה משפיעה על אוכלוסיות גדולות בערים מרובות אינה משימה של מה בכך. לפיכך, השתמשנו בגישות מבוססות ראיית מכונה כדי להעריך את הקשרים בין הסביבה הבנויה לבין שכיחות מחלות לב כלילית בערים בארה"ב."
המחקר כלל יותר מחצי מיליון תמונות Google Street View של דטרויט, מישיגן; קנזס סיטי, מיזורי; קליבלנד, אוהיו; בראונסוויל, טקסס; פרמונט, קליפורניה; בלוויו, מדינת וושינגטון; ודנבר, קולורדו. החוקרים אספו גם נתונים על שיעורי מחלת לב כלילית לפי 'מערכי מפקד אוכלוסין'. אלו אזורים קטנים ממיקוד אמריקאי, שבהם מתגוררים בממוצע 4,000 אנשים. החוקרים השתמשו בגישה הנקראת רשת נוירונים מתגלגלת; סוג של בינה מלאכותית שיכולה לזהות ולנתח דפוסים בתמונות כדי ליצור תחזיות.
המחקר גילה שתכונות של הסביבה הבנויה הנראים בתמונות של Google Street View יכולות לחזות 63% מהשונות במחלות לב כלילית בין האזורים הקטנים הללו של ערים בארה"ב.
פרופ' אלקינדי הוסיף: "השתמשנו גם בגישה הנקראת מיפוי קשב, המדגישה כמה מהאזורים החשובים בתמונה, כדי לספק פרשנות חצי איכותית של כמה מאלפי המאפיינים שעשויים להיות חשובים במחלת לב כלילית. לדוגמה, מאפיינים כמו שטח ירוק וכבישים ניתנים להליכה היו קשורים בסיכון נמוך יותר, בעוד שמאפיינים אחרים, כגון כבישים סלולים גרועים, היו קשורים בסיכון גבוה יותר. עם זאת, ממצאים אלה דורשים בדיקה נוספת.
"הראינו שאנחנו יכולים להשתמש בגישות ראייה ממוחשבת כדי לעזור לזהות גורמים סביבתיים המשפיעים על סיכון קרדיווסקולרי וזה יכול למלא תפקיד בהנחיית תכנון עירוני בריא ללב. העובדה שאנחנו יכולים לעשות זאת בקנה מידה הוא משהו שהוא ייחודי לחלוטין. חשוב לתכנון עירוני".
"עם האתגרים הבאים, כולל שינויי אקלים ודמוגרפיה משתנה, שבה קרוב ל-70% מאוכלוסיית העולם יחיו בסביבות עירוניות, יש צורך משכנע להבין סביבות עירוניות בקנה מידה, תוך שימוש בגישות ראייה ממוחשבת שיכולות לספק פרטים מעולים בכל רמה שאין שנייה לה", אמר פרופ' רג'גופאלן.
במאמר מערכת נלווה אמר ד"ר רוהן חרה מבית הספר לרפואה של אוניברסיטת ייל, ארה"ב: "הקשר של מיקום מגורים עם תוצאות מחליף לעתים קרובות את זה של גורמי סיכון ביולוגיים ידועים. לעתים קרובות זה מתמצה בביטוי שהמיקוד של אדם הוא גורם משמעותי יותר לבריאותם מאשר הקוד הגנטי שלהם. עם זאת, היכולת שלנו לסווג כראוי גורמי סיכון סביבתיים הסתמכה על סקרי אוכלוסיה שעוקבים אחר עושר, זיהום ומשאבים קהילתיים.
"המחקר של חן ועמיתיו מציג הערכה חדשנית ומקיפה יותר של הסביבה הבנויה. עבודה זו ממנפת באופן יצירתי את תמונת הרחוב הפנורמית של גוגל, המשלימה את אפליקציית המפה הנפוצה שלה.
"… גישה משופרת בינה מלאכותית לחקר הסביבה הפיזית והקשר שלה לבריאות הלב וכלי הדם מדגישה שברחבי הקהילות שלנו, מדדים של בריאות לב וכלי דם מקודדים היטב רק במראה החזותי של השכונות שלנו. חיוני להשתמש במידע זה בחוכמה, הן בהגדרת סדרי עדיפויות אסטרטגיים לזיהוי קהילות פגיעות ובהכפלת המאמצים לשיפור בריאות הלב וכלי הדם בקהילות הזקוקות לכך ביותר".
