Estudio de seguridad vial en las escuelas primarias de Calgary

Antecedentes Las colisiones de vehículos motorizados (MVC, por sus siglas en inglés) son una de las principales causas de lesiones de peatones/ciclistas en niños canadienses. Los temores a los MVC pueden reducir aún más la prevalencia del transporte activo y los beneficios para la salud que lo acompañan. Las características del entorno construido (p. ej., extensiones de bordillo) pueden reducir el riesgo de lesiones infantiles en lugares específicos; sin embargo, es importante comprender cómo estas características pueden afectar los resultados de seguridad del transporte activo infantil en toda la comunidad.

Objetivo Este estudio busca desarrollar un modelo integral de aprendizaje automático/estadístico capaz de predecir el riesgo de niños ciclistas/peatones-MVC y la prevalencia del transporte activo a nivel comunitario, en función de las características del entorno construido dentro de varios municipios canadienses.

Design Investigators construirá una geodatabase que se usará para entrenar y probar múltiples modelos de aprendizaje automático(1). Dado que las colisiones entre vehículos motorizados (MVC, por sus siglas en inglés) de niños no ocurren al azar, sino que, al igual que otras enfermedades, se distribuyen de acuerdo con las características que las afectan, estos modelos pueden ser capaces de establecer asociaciones entre el entorno construido, la prevalencia del transporte activo infantil y el riesgo de lesiones infantiles y fatalidad en municipios canadienses específicos.

Datos Los datos de este proyecto se han obtenido a través del programa CHild Active-Transportation Safety and the Environment (CHASE)(2). Utilizando el software del sistema de información geográfica (GIS)(3,4) (es decir, ArcGIS), los datos CHASE y sus características espaciales adjuntas se han consolidado en una base de datos geográfica integral que permite administrar y almacenar datos espacialmente caracterizados. Esta base de datos contiene más de 300 variables y más de 200 capas de interés caracterizadas por las 3D del entorno construido(5). Esto incluye la densidad (p. ej., datos demográficos de la población, límites de la ciudad, edad, estatus socioeconómico), diversidad (p. ej., asistencia a la escuela, números de transporte de los estudiantes, guardias de cruce, uso del suelo para viviendas, parques) y características de diseño (p. ej., características del entorno construido, red de carreteras, pacificación del tráfico, infraestructura para bicicletas, volumen/velocidad del tráfico). Esta base de datos también incluye los resultados del transporte activo infantil (p. ej., modo compartido, prevalencia) y lesiones (p. ej., ubicaciones de MVC, informes policiales de colisión).

El equipo de CHASE ha obtenido estos datos de fuentes nacionales, provinciales y municipales, incluidos Alberta Transportation, Stats Canada, la Junta Escolar del Distrito de Toronto, la ciudad de Calgary, Eco-Counter y proyectos específicos de CHASE(2). Los proyectos CHASE incluyeron auditorías en persona del entorno construido que rodea las escuelas primarias, observación directa del modo de transporte de los estudiantes de primaria/padres a la escuela, estudios cuasi-experimentales de intervenciones específicas del entorno construido y comparaciones del entorno construido entre las ubicaciones de un niño ciclista lesiones y lugares de control. Tanto este proyecto como el programa CHASE se centran en los municipios de Vancouver, Surrey, Calgary, Toronto, Peel, Montreal y Laval; con datos recopilados para cada año entre 2010 y 2020. Como tal, la base de datos utilizada en este estudio contendrá más de 8,000 lesiones de ciclistas y peatones de niños (de 1 a 17 años), y la prevalencia del transporte activo en más de 500 escuelas primarias.

Desarrollo de modelos Al investigar la seguridad del tráfico, se pueden usar muchos modelos diferentes de aprendizaje automático, incluidas las redes neuronales bayesianas, las máquinas de vectores de soporte, los bosques aleatorios y la clasificación del vecino más cercano (6 -9). Para garantizar la reproducibilidad de los resultados(1), este estudio probará y comparará varios algoritmos de aprendizaje automático supervisado.

Después de preparar la geodatabase CHASE, los datos se dividirán en conjuntos de entrenamiento y evaluación. El conjunto de entrenamiento incluirá una muestra aleatoria del 80% de los datos de cada municipio, y el resto se utilizará en el conjunto de evaluación. Dividir los datos por municipio en lugar de todo el conjunto de datos garantiza que el modelo final se pueda probar con la gama más amplia posible de diseños urbanos.

Inicialmente, todas las variables disponibles se utilizarán en el desarrollo del modelo. Para garantizar un modelo parsimonioso, se utilizarán varias estrategias (p. ej., eliminación hacia atrás, criterio de información bayesiano) para retener solo aquellas variables que tienen influencia en el resultado, o aquellas que pueden tener un efecto de confusión en otras variables importantes(10). También se realizarán evaluaciones de colinealidad de variables predictoras similares a lo largo del desarrollo (p. ej., análisis de componentes principales), con el ajuste posterior de los modelos. Durante el entrenamiento, se utilizará la validación cruzada de k-fold para volver a muestrear los datos de entrenamiento.

Resultados Los resultados de lesiones de peatones/ciclistas infantiles y transporte activo, junto con sus variables predictoras, se analizarán de acuerdo con las zonas de amortiguamiento de los límites de la comunidad dentro de cada municipio. Esto permitirá investigar la densidad de las características específicas del entorno construido por límite de la comunidad, y su efecto sobre el riesgo de lesiones infantiles durante el transporte activo y la prevalencia del transporte activo. La comparación de la precisión de los diversos algoritmos conducirá a un modelo elegido capaz de determinar si las covariables específicas aumentan o disminuyen el riesgo de lesiones de peatones/ciclistas infantiles o la prevalencia del transporte activo.