Kvantifiering av medelvärde, variation och osäkerhet i inomhusexponering för radon i Pennsylvania med random forest- och quantile regression forest-modeller

Varför osynlig gas i hemmet spelar roll

Radon är en färglös, luktfri radioaktiv gas som kan tränga in i bostäder från marken och öka risken för lungcancer, särskilt för icke-rökare. Många kartor visar bara genomsnittliga radonnivåer för stora områden som län, vilket kan dölja farliga heta fläckar för familjer och folkhälsomyndigheter. Denna studie ställer en enkel fråga med stora följder: hur kan vi använda moderna dataverktyg för att se inte bara den genomsnittliga risken i ett kvarter, utan också hur mycket den risken varierar från hus till hus?

Granskar mer än länskartor

Forskarna fokuserade på Pennsylvania, en delstat känd för höga radonnivåer, och undersökte mer än 1,6 miljoner inomhustester för radon som samlats in mellan 2008 och 2021. Efter att ha tillämpat strikta kvalitetskontroller analyserade de omkring 718 000 tester från över 1 500 postnummerområden. Istället för att stanna vid länsgenomsnitt arbetade de på nivå med zip code tabulation areas, som ligger närmare verkliga samhällen. De kombinerade radondata med över 60 typer av information om lokal geologi, jordmån, vatten, väder och bostäder, såsom jordtyp, höjd över havet, temperatur och uppvärmningssystem.

Hur intelligenta modeller läser landskapet

För att tolka denna rika datamix använde teamet maskininlärningstekniker kallade random forest och quantile regression forest-modeller. Dessa metoder söker efter mönster över många variabler samtidigt och lär sig hur kombinationer av jord, berggrund, väder och byggnadsegenskaper relaterar till radonnivåer. En modell uppskattade det typiska eller genomsnittliga radonvärdet i varje postområde. En annan fokuserade på hur mycket radonnivåerna varierar inom ett område. En tredje modell förutspådde inte bara mitten av radonfördelningen utan även de högre ändarna, såsom 75:e och 90:e percentilerna, vilka representerar hem med ovanligt höga mätvärden.

Vad formar radonmönster i samhällen

Modellerna visade att medelradonnivåer i ett samhälle är starkt kopplade till hur lätt gaser kan röra sig genom marken, en egenskap känd som permeabilitet, tillsammans med relaterade faktorer som mättad hydraulisk konduktivitet. Områden med mer permeabel jord tenderar att ha högre genomsnittliga inomhusradonnivåer. Uppvärmningsbränsle spelade också roll: platser som i större utsträckning använder ved, kol eller liknande bränslen hade ofta högre radon, medan platser som använder gas via nätverk tenderade att ha lägre nivåer, vilket möjligen speglar skillnader mellan landsbygd och urbana bostäder. Faktorerna som driver variation från hus till hus är dock inte samma som de som höjer genomsnittet. Hög variation var vanligast där höjd, markens vattenrörelser, temperatur, jordens dränering och andra jordegenskaper varierade mycket inom samma postnummerområde.

Dolda heta fläckar i ”måttliga” områden

Avgörande visade quantile regression forest-modellen att vissa samhällen med måttliga genomsnittliga radonnivåer ändå innehöll många hem med mycket höga koncentrationer. Även där typnivån låg under den åtgärdsnivå som US Environmental Protection Agency anger, kunde den predicerade 90:e percentilen vara långt över den. I praktiska termer betyder detta att enbart titta på genomsnittet för ett postnummer kan vara vilseledande: ett kvarter som på pappret verkar säkert kan ändå dölja många hem med farliga radonnivåer. Genom att uppskatta den övre delen av radonfördelningen hjälper modellerna till att identifiera postområden där en stor andel hus sannolikt överskrider rekommenderade gränser och därför bör prioriteras för mätning och åtgärder.

Vad detta betyder för familjer och planerare

För vardagsbor är huvudslutsatsen att ett lågt samhällsgenomsnitt inte garanterar låg radonnivå i något enskilt hem. För folkhälsoplanerare erbjuder den nya modelleringsmetoden ett sätt att lokalisera områden som kombinerar höga genomsnittsnivåer och hög variation, eller måttliga genomsnitt med extrema uteliggare, så att de bättre kan rikta mätkampanjer och resurser för åtgärder. Genom att kombinera flera maskininlärningsmodeller och miljödata i fin skala visar denna studie hur vi kan gå bortom grova länskartor mot en mer detaljerad, realistisk bild av inomhusradonrisk, vilket underlättar smartare beslut om var man ska mäta och var man ska fokusera skyddsinsatser.

Citering: 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

Nyckelord: inomhusradon, miljöhälsa, maskininlärning, geospatial kartläggning, lungcancerrisk