Kwantyfikacja średniego poziomu, zmienności i niepewności narażenia na radon w pomieszczeniach w Pensylwanii przy użyciu modeli random forest i quantile regression forest

Dlaczego niewidoczny gaz domowy ma znaczenie

Radon to bezbarwny, bezwonny gaz promieniotwórczy, który może przenikać do domów z gruntu i podnosić ryzyko raka płuca, szczególnie u osób niepalących. Wiele map pokazuje jedynie średnie poziomy radonu dla dużych obszarów, takich jak hrabstwa, co może ukrywać niebezpieczne ogniska przed rodzinami i służbą zdrowia publicznego. Badanie stawia proste pytanie o poważnych konsekwencjach: jak wykorzystać nowoczesne narzędzia danych, aby zobaczyć nie tylko średnie ryzyko w sąsiedztwie, ale też jak bardzo to ryzyko różni się od domu do domu?

Przyjrzenie się bliżej niż mapy hrabstw

Naukowcy skupili się na Pensylwanii, stanie znanym z wysokich poziomów radonu, i przeanalizowali ponad 1,6 miliona testów radonu wewnątrz budynków zebranych w latach 2008–2021. Po zastosowaniu surowych kontroli jakości przeanalizowali około 718 000 testów z ponad 1 500 obszarów kodów pocztowych. Zamiast ograniczać się do średnich hrabstw, pracowali na skali obszarów tabulacyjnych kodów pocztowych (zip code tabulation areas), które lepiej odpowiadają rzeczywistym społecznościom. Połączyli dane o radonie z ponad 60 rodzajami informacji o lokalnej geologii, glebie, wodzie, pogodzie i cechach budynków, takimi jak typ gleby, wysokość nad poziomem morza, temperatura i sposób ogrzewania domów.

Jak inteligentne modele czytają krajobraz

Aby poradzić sobie z tym bogactwem danych, zespół użył technik uczenia maszynowego zwanych random forest i quantile regression forest. Metody te wyszukują wzorce w wielu zmiennych jednocześnie, ucząc się, jak kombinacje cech gleby, skał, pogody i budynków wiążą się z poziomami radonu. Jeden model oszacował typowy lub średni poziom radonu w każdym obszarze pocztowym. Inny koncentrował się na tym, jak bardzo poziomy radonu zmieniają się w obrębie obszaru. Trzeci model przewidywał nie tylko środek rozkładu radonu, lecz także jego wyższe końce, takie jak 75. i 90. percentyl, które reprezentują domy z nietypowo wysokimi wynikami.

Co kształtuje wzorce radonu w społecznościach

Modele wykazały, że średnie poziomy radonu w społeczności są mocno powiązane z łatwością, z jaką gazy mogą przemieszczać się przez grunt — właściwością znaną jako przepuszczalność — wraz z pokrewnymi cechami, takimi jak nasycona przewodność hydrauliczna. Obszary o bardziej przepuszczalnej glebie mają zwykle wyższe średnie poziomy radonu wewnątrz budynków. Ważne było również paliwo grzewcze: miejsca, które częściej korzystają z drewna, węgla lub podobnych paliw, miały często wyższe poziomy radonu, podczas gdy miejsca używające gazu sieciowego miały tendencję do niższych wartości — być może dlatego, że typ paliwa odzwierciedla różnice między zabudową wiejską a miejską. Jednak czynniki warunkujące zmienność od domu do domu nie są takie same jak te podnoszące średnią. Wysoka zmienność występowała najczęściej tam, gdzie wysokość terenu, ruch wody w glebie, temperatura, drenaż gleby i inne cechy glebowe znacznie różniły się w obrębie tego samego obszaru pocztowego.

Ukryte ogniska w obszarach „umiarkowanych”

Co kluczowe, model quantile regression forest ujawnił, że niektóre społeczności o umiarkowanych średnich poziomach radonu wciąż zawierały wiele domów z bardzo wysokimi stężeniami. Nawet tam, gdzie typowy poziom był poniżej wytycznych działania Amerykańskiej Agencji Ochrony Środowiska (EPA), przewidywany 90. percentyl mógł być znacznie ponad tym progiem. W praktyce oznacza to, że opieranie się wyłącznie na średniej dla kodu pocztowego może być mylące: dzielnica, która na papierze wydaje się bezpieczna, może ukrywać wiele domów z niebezpiecznymi poziomami radonu. Szacując górny koniec rozkładu radonu, modele pomagają zidentyfikować obszary pocztowe, gdzie duża część domów prawdopodobnie przekracza zalecane limity i w związku z tym powinna być priorytetem przy testowaniu i wdrażaniu działań ograniczających.

Co to oznacza dla rodzin i planistów

Dla mieszkańców podsumowanie jest proste: niska średnia w społeczności nie gwarantuje niskiego poziomu radonu w pojedynczym domu. Dla planistów zdrowia publicznego nowe podejście modelowe oferuje sposób identyfikacji obszarów łączących wysokie średnie i dużą zmienność lub umiarkowane średnie z ekstremalnymi wartościami, dzięki czemu można lepiej ukierunkować kampanie testowania i zasoby na ograniczanie zagrożeń. Łącząc kilka modeli uczenia maszynowego i dane środowiskowe o drobnej skali, badanie pokazuje, jak można wyjść poza zgrubne mapy hrabstw w kierunku bardziej szczegółowego, realistycznego obrazu ryzyka radonu wewnątrz budynków, wspierając mądrzejsze decyzje o tym, gdzie testować i gdzie skoncentrować działania ochronne.

Cytowanie: 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

Słowa kluczowe: radon wewnątrz budynków, zdrowie środowiskowe, uczenie maszynowe, mapowanie geoprzestrzenne, ryzyko raka płuca