Examen systématique de l'exploration de données et de l'apprentissage automatique pour l'épidémiologie de la pollution atmosphérique

Contexte

Les données mesurant les polluants atmosphériques, la santé publique et les facteurs environnementaux sont de plus en plus stockées et fusionnées. Ces grands ensembles de données offrent un grand potentiel, mais remettent également en question les méthodes épidémiologiques traditionnelles. Cela a motivé l'exploration de méthodes alternatives pour faire des prédictions, trouver des modèles et extraire des informations. À cette fin, l'exploration de données et les algorithmes d'apprentissage automatique sont de plus en plus appliqués à l'épidémiologie de la pollution atmosphérique.

Méthodes

Nous avons effectué une revue systématique de la littérature sur l'application des méthodes d'exploration de données et d'apprentissage automatique en épidémiologie de la pollution atmosphérique. Nous avons effectué notre processus de recherche dans PubMed, la base de données MEDLINE et Google Scholar. Les articles de recherche appliquant les méthodes d'exploration de données et d'apprentissage automatique à l'épidémiologie de la pollution atmosphérique ont été interrogés et examinés.

Résultats

Nos requêtes de recherche ont donné lieu à 400 articles de recherche. Notre analyse fine a utilisé nos critères d'inclusion/exclusion pour réduire les résultats à 47 articles, que nous avons séparés en trois principaux domaines d'intérêt : 1) la répartition des sources ; 2) la prévision/prédiction de la pollution/qualité de l'air ou de l'exposition ; et 3) la génération d'hypothèses. Les premières applications avaient une préférence pour les réseaux neuronaux artificiels. Dans des travaux plus récents, les arbres de décision, les machines à vecteurs de support, le regroupement de type k-means et l'algorithme APRIORI ont été largement utilisés. Notre enquête montre que la majorité des recherches ont été menées en Europe, en Chine et aux États-Unis, et que l'exploration de données devient un outil de plus en plus courant en santé environnementale. En ce qui concerne les nouvelles orientations potentielles, nous avons identifié que l'apprentissage profond et l'exploration de motifs géospatiaux sont deux domaines en plein essor de l'exploration de données qui présentent un bon potentiel pour des applications futures en épidémiologie de la pollution atmosphérique.

Conclusions

Nous avons réalisé une revue systématique identifiant les tendances actuelles, les défis et les nouvelles directions à explorer dans l'application des méthodes d'exploration de données à l'épidémiologie de la pollution de l'air. Ce travail montre que l'exploration de données est de plus en plus appliquée en épidémiologie de la pollution de l'air.

Le potentiel de soutien à l'épidémiologie de la pollution de l'air continue de croître avec les progrès de l'exploration des données liées à l'exploration temporelle et géospatiale, et à l'apprentissage profond. Ceci est également soutenu par de nouveaux capteurs et supports de stockage qui permettent d'obtenir des données plus importantes et de meilleure qualité. On peut donc s'attendre à de nombreuses autres applications fructueuses à l'avenir.