Kwantisering van gemiddeldes, variabiliteit en onzekerheid in binnenshuis radonblootstelling in Pennsylvania met behulp van random forest- en quantielregressiebosmodellen

Waarom onzichtbaar gas in huis ertoe doet

Radon is een kleurloos, reukloos radioactief gas dat vanuit de grond in huizen kan sijpelen en het risico op longkanker kan verhogen, vooral bij niet-rokers. Veel kaarten tonen alleen gemiddelde radonwaarden voor grote gebieden zoals counties, wat gevaarlijke hotspots voor gezinnen en volksgezondheidsfunctionarissen kan verbergen. Deze studie stelt een eenvoudige vraag met grote gevolgen: hoe kunnen we moderne datatechnieken gebruiken om niet alleen het gemiddelde risico in een buurt te zien, maar ook hoeveel dat risico van huis tot huis varieert?

Nabij kijken in plaats van county-kaarten

De onderzoekers concentreerden zich op Pennsylvania, een staat die bekendstaat om hoge radonwaarden, en onderzochten meer dan 1,6 miljoen binnenshuis radontests verzameld tussen 2008 en 2021. Na strikte kwaliteitscontroles analyseerden ze ongeveer 718.000 tests uit meer dan 1.500 postcoderegionen. In plaats van te stoppen bij county-gemiddelden werkten ze op schaal van zip code tabulation areas, die dichter bij echte gemeenschappen liggen. Ze combineerden de radongegevens met meer dan 60 soorten informatie over lokale geologie, bodem, water, weer en huisvesting, zoals bodemtype, hoogte, temperatuur en hoe huizen worden verwarmd.

Hoe slimme modellen het landschap lezen

Om dit rijke databestand te doorgronden, gebruikte het team machine-learningtechnieken genaamd random forest en quantile regression forest modellen. Deze methoden zoeken naar patronen over veel variabelen tegelijk en leren hoe combinaties van bodem, gesteente, weer- en bouweigenschappen samenhangen met radonniveaus. Eén model schatte het typische of gemiddelde radonniveau in elk postgebied. Een ander richtte zich op hoeveel radonniveaus binnen een gebied variëren. Een derde model voorspelde niet alleen het midden van het radonbereik maar ook de hogere uiteinden, zoals het 75e en 90e percentiel, die woningen met ongewoon hoge waarden representeren.

Wat radonpatronen in gemeenschappen vormt

De modellen toonden aan dat gemiddelde radonniveaus in een gemeenschap sterk samenhangen met hoe gemakkelijk gassen door de grond kunnen bewegen, een eigenschap die bekendstaat als permeabiliteit, samen met verwante kenmerken zoals verzadigde hydraulische geleidbaarheid. Gebieden met meer doorlatende bodem hebben vaak hogere gemiddelde binnenshuis radonniveaus. Ook de brandstof voor verwarming speelde een rol: plaatsen die meer op hout, kolen of vergelijkbare brandstoffen vertrouwen hadden vaak hogere radonwaarden, terwijl plaatsen die aardgas gebruiken doorgaans lagere niveaus hadden, mogelijk omdat het type brandstof verschillen tussen landelijke en stedelijke woningen weerspiegelt. De factoren die echter de variatie van huis tot huis aandrijven zijn niet altijd dezelfde als die het gemiddelde verhogen. Hoge variabiliteit kwam het meest voor waar hoogte, bodemwaterbeweging, temperatuur, bodemafwatering en andere bodemkenmerken binnen hetzelfde postgebied sterk varieerden.

Verborgen hotspots in “matige” gebieden

Cruciaal is dat het quantielregressiebosmodel aantoonde dat sommige gemeenschappen met bescheiden gemiddelde radonwaarden toch veel huizen met zeer hoge concentraties bevatten. Zelfs waar het typisch niveau onder de actiegrens van het Amerikaanse Environmental Protection Agency lag, kon het voorspelde 90e percentiel ver erboven liggen. In praktische termen betekent dit dat alleen naar het gemiddelde van een postcode kijken misleidend kan zijn: een buurt die op papier veilig lijkt kan toch veel huizen met gevaarlijke radonniveaus verbergen. Door het hogere uiteinde van het radonbereik te schatten helpen de modellen postgebieden te identificeren waar een groot aandeel huizen waarschijnlijk de aanbevolen grenzen overschrijdt en dus prioriteit verdient voor testen en mitigatie.

Wat dit betekent voor gezinnen en planners

Voor gewone bewoners is de belangrijkste conclusie dat een laag gemeenschappelijk gemiddelde geen garantie biedt voor een laag radonniveau in een individueel huis. Voor volksgezondheidsplanners biedt de nieuwe modelleringsaanpak een manier om gebieden te lokaliseren die zowel hoge gemiddelden als hoge variabiliteit combineren, of matige gemiddelden met extreme uitschieters, zodat ze testcampagnes en mitigatiemiddelen beter kunnen richten. Door meerdere machine-learningmodellen en fijnmazige milieugegevens te combineren, laat deze studie zien hoe we verder kunnen gaan dan grove county-kaarten naar een gedetailleerder, realistischer beeld van binnenshuis radonrisico, wat slimmere beslissingen ondersteunt over waar te testen en waar beschermingsinspanningen te concentreren.

Bronvermelding: 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

Trefwoorden: binnenshuis radon, milieugezondheid, machine learning, geospatiale kaartvorming, longkanker risico