Estudo de Segurança no Trânsito nas Escolas Elementares de Calgary

Antecedentes As colisões de veículos motorizados (MVCs) são uma das principais causas de lesões de pedestres/ciclistas em crianças canadenses. O medo de MVCs pode reduzir ainda mais a prevalência de transporte ativo e os benefícios de saúde que o acompanham. Recursos do ambiente construído (por exemplo, extensões de meio-fio) podem reduzir o risco de lesões infantis em locais específicos; no entanto, é importante entender como esses recursos podem impactar os resultados de segurança do transporte ativo infantil em toda a comunidade.

Objetivo Este estudo busca desenvolver um modelo abrangente de aprendizado de máquina/estatístico capaz de prever o risco de crianças ciclistas/pedestres-MVCs e prevalência de transporte ativo no nível da comunidade, com base nas características do ambiente construído em vários municípios canadenses.

Os investigadores de design construirão um geodatabase para ser usado para treinar e testar vários modelos de aprendizado de máquina(1). Dado que as Colisões de Veículos Motorizados (MVCs) infantis não ocorrem aleatoriamente, mas como outras doenças são distribuídas de acordo com as características de influência, esses modelos podem ser capazes de estabelecer associações entre o ambiente construído, a prevalência de transporte ativo infantil e o risco de lesões infantis e fatalidade em municípios canadenses específicos.

Dados Os dados para este projeto foram obtidos por meio do programa CHild Active-Transportation Safety and the Environment (CHASE)(2). Usando o software do sistema de informações geográficas (GIS) (3,4) (ou seja, ArcGIS), os dados CHASE e suas características espaciais acompanhantes foram consolidados em um geodatabase abrangente que permite gerenciar e armazenar dados caracterizados espacialmente. Esta base de dados contém mais de 300 variáveis ​​e mais de 200 camadas de interesse caracterizadas pelos 3Ds do ambiente construído(5). Isso inclui densidade (por exemplo, dados demográficos da população, limites da cidade, idade, status socioeconômico), diversidade (por exemplo, frequência escolar, número de transporte de estudantes, guardas de trânsito, uso do solo para moradias, parques) e recursos de design (por exemplo, recursos do ambiente construído, rede viária, moderação do tráfego, infraestrutura para bicicletas, volume/velocidade do tráfego). Esse banco de dados também inclui resultados de transporte ativo infantil (por exemplo, compartilhamento de modo, prevalência) e lesões (por exemplo, localizações de MVC, relatórios de colisão policial).

Esses dados foram obtidos pela equipe do CHASE de fontes nacionais, provinciais e municipais, incluindo Alberta Transportation, Stats Canada, Toronto District School Board, cidade de Calgary, Eco-Counter e projetos específicos do CHASE(2). Os projetos CHASE incluíram auditorias presenciais do ambiente construído ao redor das escolas primárias, observação direta do modo de transporte dos alunos/pais do ensino fundamental para a escola, estudos quase experimentais de intervenções específicas no ambiente construído e comparações do ambiente construído entre os locais de uma criança ciclista lesões e locais de controle. Tanto este projeto quanto o programa CHASE concentram-se nos municípios de Vancouver, Surrey, Calgary, Toronto, Peel, Montreal e Laval; com dados coletados para cada ano entre 2010 e 2020. Como tal, o banco de dados usado neste estudo conterá mais de 8.000 crianças (de 1 a 17 anos de idade) vítimas de acidentes com ciclistas e pedestres e prevalência de transporte ativo em mais de 500 escolas primárias.

Desenvolvimento de modelo Ao investigar a segurança do tráfego, muitos modelos diferentes de aprendizado de máquina podem ser usados, incluindo redes neurais bayesianas, máquinas de vetor de suporte, florestas aleatórias e classificação do vizinho mais próximo (6 -9). Para garantir a reprodutibilidade dos resultados(1), este estudo testará e comparará vários algoritmos de aprendizado de máquina supervisionado.

Depois de preparar o geodatabase CHASE, os dados serão divididos em conjuntos de treinamento e avaliação. O conjunto de treinamento incluirá uma amostra aleatória de 80% dos dados de cada município, sendo o restante utilizado no conjunto de avaliação. Dividir os dados por município, em vez de todo o conjunto de dados, garante que o modelo final possa ser testado em relação à maior variedade possível de projetos urbanos.

Inicialmente, todas as variáveis ​​disponíveis serão utilizadas no desenvolvimento do modelo. Para garantir um modelo parcimonioso, várias estratégias (por exemplo, eliminação retrógrada, Critério de Informação Bayesiano) serão usadas para reter apenas as variáveis ​​que influenciam o resultado ou aquelas que podem ter um efeito de confusão em outras variáveis ​​importantes(10). Avaliações de colinearidade de variáveis ​​preditoras semelhantes também serão realizadas ao longo do desenvolvimento (por exemplo, Análise de Componente Principal), com posterior ajuste de modelos. Durante o treinamento, a validação cruzada k-fold será usada para reamostrar os dados de treinamento.

Resultados Lesões de pedestres/ciclistas em crianças e resultados de transporte ativo, juntamente com suas variáveis ​​preditoras, serão analisados ​​de acordo com as zonas de amortecimento dos limites da comunidade dentro de cada município. Isso permitirá a investigação da densidade de recursos específicos do ambiente construído por limite da comunidade e seu efeito no risco de lesões por transporte ativo infantil e prevalência de transporte ativo. A comparação da precisão dos vários algoritmos levará a um modelo escolhido capaz de determinar se covariáveis ​​específicas aumentam ou diminuem o risco de lesões de pedestres/ciclistas em crianças ou a prevalência de transporte ativo.