Quantificare media, variabilità e incertezza dell’esposizione al radon indoor in Pennsylvania usando modelli random forest e quantile regression forest

Perché un gas invisibile in casa conta

Il radon è un gas radioattivo incolore e inodore che può filtrare nelle abitazioni dal terreno e aumentare il rischio di cancro ai polmoni, soprattutto nei nonsmokers. Molte mappe mostrano solo i livelli medi di radon per ampie aree come le contee, il che può nascondere punti caldi pericolosi a famiglie e autorità sanitarie. Questo studio pone una domanda semplice ma dalle grandi conseguenze: come possiamo usare gli strumenti moderni di analisi dei dati per vedere non solo il rischio medio in un quartiere, ma anche quanto quel rischio varia da casa a casa?

Uno sguardo più ravvicinato rispetto alle mappe di contea

I ricercatori si sono concentrati sulla Pennsylvania, uno stato noto per i livelli elevati di radon, ed hanno esaminato più di 1,6 milioni di test indoor raccolti tra il 2008 e il 2021. Dopo aver applicato rigorosi controlli di qualità, hanno analizzato circa 718.000 test provenienti da oltre 1.500 codici postali. Invece di fermarsi alle medie di contea, hanno lavorato alla scala delle aree di tabulazione dei codici postali, più vicine alle comunità reali. Hanno combinato i dati sul radon con oltre 60 tipi di informazioni sulla geologia locale, il suolo, l’acqua, il clima e le caratteristiche edilizie, come il tipo di suolo, l’altitudine, la temperatura e il tipo di riscaldamento delle abitazioni.

Come i modelli intelligenti leggono il territorio

Per interpretare questo ricco insieme di dati, il team ha usato tecniche di machine learning chiamate random forest e quantile regression forest. Questi metodi cercano schemi attraverso molte variabili contemporaneamente, apprendendo come combinazioni di suolo, roccia, condizioni meteorologiche e caratteristiche edilizie si relazionano ai livelli di radon. Un modello ha stimato il livello tipico o medio di radon in ogni area postale. Un altro si è concentrato su quanto i livelli di radon variano all’interno di un’area. Un terzo modello ha previsto non solo la mediana della distribuzione del radon ma anche le code superiori, come il 75° e il 90° percentile, che rappresentano le abitazioni con valori insolitamente alti.

Cosa modella i pattern del radon nelle comunità

I modelli hanno mostrato che i livelli medi di radon in una comunità sono fortemente legati a quanto facilmente i gas possono muoversi attraverso il terreno, una proprietà nota come permeabilità, insieme a caratteristiche correlate come la conducibilità idraulica a saturazione. Aree con suoli più permeabili tendono ad avere livelli medi di radon indoor più alti. Anche il combustibile per il riscaldamento ha avuto un ruolo: i luoghi che fanno più affidamento su legna, carbone o combustibili similari spesso presentavano livelli più elevati, mentre le aree che usano gas di rete tendevano ad avere livelli più bassi, probabilmente perché il tipo di combustibile riflette differenze tra abitazioni rurali e urbane. Tuttavia, i fattori che determinano la variabilità da casa a casa non sono gli stessi che innalzano la media. L’elevata variabilità era più comune dove altitudine, movimento dell’acqua nel suolo, temperatura, drenaggio del suolo e altre caratteristiche del suolo variavano molto all’interno della stessa area postale.

Punti caldi nascosti in aree «moderate»

In modo cruciale, il modello quantile regression forest ha rivelato che alcune comunità con livelli medi di radon modesti contenevano comunque molte abitazioni con concentrazioni molto elevate. Anche dove il livello tipico era al di sotto della linea d’azione dell’Agenzia per la Protezione dell’Ambiente statunitense, il 90° percentile previsto poteva essere molto più alto. In termini pratici, questo significa che considerare solo la media di un codice postale può essere fuorviante: un quartiere che sulla carta sembra sicuro può comunque nascondere molte case con livelli di radon pericolosi. Stimando l’estremo superiore della distribuzione del radon, i modelli aiutano a identificare le aree postali in cui una grande percentuale di abitazioni è probabile superi i limiti raccomandati e meriti quindi priorità per test e interventi di mitigazione.

Cosa significa per le famiglie e i pianificatori

Per i residenti comuni, la principale conclusione è che una media comunitaria bassa non garantisce un basso livello di radon in una singola abitazione. Per i pianificatori della sanità pubblica, il nuovo approccio di modellazione offre un modo per individuare aree che combinano livelli medi elevati e alta variabilità, o medie moderate con outlier estremi, in modo da poter meglio indirizzare campagne di test e risorse per la mitigazione. Combinando diversi modelli di machine learning e dati ambientali a scala fine, questo studio mostra come sia possibile andare oltre le mappe grossolane delle contee verso un quadro più dettagliato e realistico del rischio di radon indoor, sostenendo decisioni più intelligenti su dove testare e dove concentrare gli sforzi di protezione.

Citazione: Lee, H., Maguire, D., Logan, J. et al. Quantifying mean, variability, and uncertainty in indoor radon exposure in Pennsylvania using random forest and quantile regression forest models. Sci Rep 16, 15192 (2026). https://doi.org/10.1038/s41598-026-37891-3

Parole chiave: radon indoor, salute ambientale, machine learning, mappatura geospaziale, rischio cancro ai polmoni