Uit een op kunstmatige intelligentie gebaseerd algoritme dat Google Street View-beelden analyseert, kwam naar voren dat wie vanuit huis het trottoir, bomen en de lucht kan zien een aanzienlijk lager risico op hartziekte heeft. Deze inzichten kunnen helpen bij het bieden van meer op het individu afgestemde interventies.
Chen et al. gebruikten een machine learning-algoritme dat erop was getraind om onderscheid te maken tussen bomen, gras, lucht, trottoirs, wegen en gebouwen. Met dit algoritme werden Google Street View-beelden van de huizen van 49.887 deelnemers geanalyseerd; deze mensen waren voornamelijk afkomstig uit het noordoosten van Ohio. De onderzoekers volgden deze deelnemers gedurende een mediane follow-up van ongeveer 27 maanden om major adverse cardiovascular events (MACE) zoals een hartaanval, beroerte of sterfte door hartziekte in kaart te brengen.
Gedurende deze follow-upperiode maakten 2.083 van de deelnemers aan het onderzoek een CV event door. Aan de hand van de analyse van de bebouwde omgeving van de deelnemers ontdekten de onderzoekers dat mensen die in gebieden woonden met meer trottoirs 9% minder kans hadden op MACE dan mensen in gebieden met minder of geen trottoirs. Het idee hierbij is dat een trottoir een surrogaat kan zijn voor fysieke activiteit. Bovendien hadden mensen die in gebieden woonden met veel bomen en vanuit huis de lucht goed konden zien 5% minder kans op CV events dan mensen in gebieden die hier lager op scoorden. Deze verbanden waren onafhankelijk van elkaar.
In deze analyse werd ook rekening gehouden met andere factoren die van invloed zijn op de gezondheid van het hart zoals leeftijd, etniciteit, geslacht, sociale kwetsbaarheid, het mediane gezinsinkomen, luchtvervuiling door fijnstof, geluid en CV risicofactoren zoals hypertensie, een hoog cholesterol en diabetes.
Bron:
- Chen Z, Vieira De Oliveira Salerno PR, Makhlouf M, et al. Residential vertical greenspace and sidewalks impacts on cardiovascular risk: insights from deep learning-enhanced Google Street View. ACC Congress 2024, abstract 1473-221.