Healthy smart cities - development of healthcare-focused urban analytics models and decision making tools to reduce heat waves impact on public health

This thesis presents a comprehensive investigation into healthcare-focused urban analytics and decision-making tools designed to mitigate the public health impacts of heat, specifically within the context of transitioning toward healthier smart cities. Using Italy and the city of Milan as case studies, the research adopts a holistic approach to explore the key determinants of heat-health risks, such as population vulnerability, environmental hazards, and residents' exposure. The methodologies developed in this thesis are characterized by their flexibility, offering both academic contributions and practical applications for addressing the increasing public health challenges posed by rising temperatures. The research is framed within the broader context of global efforts to combat climate change, particularly reflecting the guidance of leading international organizations such as the World Health Organization, Intergovernmental Panel on Climate Change, United Nations, and World Meteorological Organization. This work aims at contributing to three specific Sustainable Development Goals (SDGs): 1) it promotes SDG3 ("Ensure healthy lives and promote well-being for all at all ages") by emphasizing cardiovascular health, one of the leading causes of death globally; 2) by integrating socio-urban features at the neighbourhood and municipal level with health determinants, it supports SDG11 ("Make cities and human settlements inclusive, safe, resilient, and sustainable"); 3) the research directly addresses SDG13 ("Take urgent action to combat climate change and its impacts") through its focus on the health impacts of heat events. These interconnections highlight the importance of comprehensive strategies that target health, urban sustainability, and climate resilience. The thesis begins by proposing a novel municipality-level SDG3 index for Italy, addressing disparities in data availability and spatial granularity while identifying significant regional variations in public health performance. The SDG3 index for 7,900 municipalities is calculated by mapping 29 Italian indicators to 28 official SDG3 indicators, covering 11 of the 13 SDG3 targets. The final SDG3 index is defined as the arithmetic mean of the scores for all considered targets, with each target score calculated as the average of the normalized scores (ranging from 0 to 1) of its indicators. The values of the index for Italy range between 0.595 in Terragnolo (Trentino-Alto Adige/Südtirol region) and 0.810 in Girasole (Sardinia region), with median equal to 0.697. Despite the limitations in data quality and temporal accuracy, the SDG3 index provides a valuable tool for local policymakers to compare municipalities and tailor public health interventions. By highlighting geographic disparities, in particular the gap between three main macro-areas of Italy (northern, central and southern parts), this index serves as a step toward more nuanced assessments of population health vulnerability. A systematic review of the literature on heat effects on cardiovascular health reveals substantial heterogeneity in the definitions of heat used across studies (with a total of 21 combinations of indicator, method, and comparison threshold found in 54 articles), posing challenges for comparability and meta-analyses. Despite this variability, percentile-based thresholds, rather than absolute temperature values, emerged as the most commonly used approach in heat-related health studies, accounting for 46 out of 57 (80.7%) definitions (multiple definitions were tested in some articles). To address this inconsistency, the thesis proposes a guideline for standardizing heat definitions in health research by integrating well-established statistical techniques, such as the distributed lag non-linear model and Poisson regression. This guideline contributes to the advancement of the field by enhancing the consistency of studies on temperature hazards and public health. However, the exclusion of restricted-access articles and grey literature, along with the limitation of the publication period to five years (2018–2022) in the systematic review, may introduce selection bias, potentially overlooking emerging international trends in defining heat. Using Milan as a case study, the research further investigates the impact of heat on cardiovascular ambulance dispatches. By applying the proposed heat definition guideline to ambulance dispatches data from May to September in the years 2017-2022, the analysis identifies the 95th percentile of annual mean daily apparent temperature distribution as the proper heat threshold for Milan, accounting for key temporal factors that could significantly alter ambulance dispatches distribution, i.e., day of week, day of year, and long-term trend. The corresponding relative risk is assessed at 1.11, with 95% confidence interval (CI) equal to 1.09-1.14 The findings also reveal that certain emergencies, such as those fatal and which occur on the street, are particularly susceptible to the effect of extreme temperature, with associated relative risk at 1.56 (95% CI [1.36-1.80]) and 1.25 (95% CI [1.16-1.34]), respectively. These insights could have practical implications for emergency medical services, enabling better resource allocation and preparedness during extreme weather conditions. The thesis also explores the socio-urban characteristics that influence cardiovascular vulnerability to heat, using machine learning techniques, such as k-means clustering and hierarchical density-based spatial clustering of applications with noise, and spatial regression models. For each district of an urban environment, cardiovascular vulnerability to heat is defined as percentage of emergencies which happened during heat in relation to all the emergencies, and in Milan it reached the median of 15.05%, with 25th-75th percentile equal to 13.99%-16.08%. Regression analysis identifies key socio-urban variables, including mean summer temperature, the density of drinking water fountains, the percentages of elderly, female, and graduate residents, that significantly affect cardiovascular vulnerability during heat. The research produces a socio-urban vulnerability index, which is combined with medical data to create a vulnerability map, offering valuable tools for urban planners and policymakers to target interventions in most high-risk areas, found as encompassing 18 of 86 Milan’s districts, where more than 300,000 people reside. Also, 20 districts, with a population of nearly 280,000 residents, are identified as resilient to heat in the context of cardiovascular health. The final phase of the research involves the use of artificial intelligence to forecast daily cardiovascular emergencies, with a focus on meteorological parameters, i.e., mean daily apparent temperature on the emergency day, on the previous day and two days earlier. By testing three machine learning algorithms (eXtreme Gradient Boosting - XGBoost, CatBoost, Long Short-Term Memory neural network - LSTM), the research demonstrates the potential of artificial intelligence to predict the volume of next-day cardiovascular emergencies with strong accuracy (mean absolute error equal to 10 cardiovascular emergencies, making it close to the absolute random component of the corresponding time-series), confirming its better performance compared to simpler, i.e., non-machine learning, frameworks. The application of explainable artificial intelligence, derived from Shapley values, enhances transparency in the model’s decision-making process, revealing that while temperature has minimal influence on the predictions on most days, its impact sharply increases above approximately 25 °C. In particular, the relationship between temperature and the forecasted number of emergencies during heat days is well captured by a linear model (R2=0.79). These findings underscore the importance of incorporating meteorological features into predictive models to improve the accuracy of forecasts and the efficiency of EMS responses in extreme weather. This thesis offers significant contributions to the development of smart, resilient cities that proactively safeguard public health in the face of climate change, providing tangible insights to the emergency medical services, urban planners and local policymakers, as well as methodological solutions advancing the state-of-the-art. However, it also acknowledges several limitations, including data temporal misalignment, the use of relative indices, and the exclusion of certain urban areas. Further application of the proposed framework is needed to differentiate between findings that are generalizable and those that are specific to particular geographical contexts, such as Milan. Future research should focus on improving data integration, enhancing spatio-temporal resolution, and expanding interdisciplinary collaboration.

Questa tesi presenta un’indagine approfondita sugli strumenti di analisi urbana e di supporto decisionale in ambito sanitario, progettati per mitigare gli impatti sulla salute pubblica causati dal calore, in particolare nel contesto della transizione verso healthy smart cities. Utilizzando l’Italia e la città di Milano come casi studio, la ricerca adotta un approccio olistico per esplorare i principali determinanti dei rischi sanitari legati al calore, come la vulnerabilità della popolazione, i pericoli ambientali e l’esposizione dei residenti. Le metodologie sviluppate in questa tesi si distinguono per la loro flessibilità, offrendo contributi accademici e applicazioni pratiche per affrontare le crescenti sfide sanitarie legate all’aumento delle temperature. La ricerca si colloca nel contesto più ampio degli sforzi globali per combattere il cambiamento climatico, seguendo in particolare le linee guida delle principali organizzazioni internazionali come l’Organizzazione Mondiale della Sanità, il Gruppo Intergovernativo sul Cambiamento Climatico, le Nazioni Unite e l’Organizzazione Meteorologica Mondiale. Questo lavoro mira a contribuire a tre specifici Obiettivi di Sviluppo Sostenibile (SDGs): 1) promuove l’SDG3 ("Assicurare la salute e il benessere per tutti a tutte le età") enfatizzando la salute cardiovascolare, una delle principali cause di morte a livello globale; 2) integrando caratteristiche socio-urbane a livello di quartiere e municipale con determinanti sanitari, supporta l’SDG11 ("Rendere le città e gli insediamenti umani inclusivi, sicuri, resilienti e sostenibili"); 3) affronta direttamente l’SDG13 ("Adottare misure urgenti per combattere il cambiamento climatico e i suoi impatti") focalizzandosi sugli effetti del calore sulla salute. Queste interconnessioni sottolineano l’importanza di strategie complete che coniughino salute, sostenibilità urbana e resilienza climatica. La tesi inizia proponendo un nuovo indice SDG3 a livello municipale per l’Italia, affrontando le disparità nella disponibilità dei dati e nella granularità spaziale, e identificando significative variazioni regionali nella situazione sanitaria pubblica. L’indice SDG3 per 7.900 comuni è calcolato mappando 29 indicatori italiani su 28 indicatori ufficiali SDG3, coprendo 11 dei 13 obiettivi SDG3. L’indice finale è definito come la media aritmetica dei punteggi di tutti gli obiettivi considerati, con ogni punteggio calcolato come la media dei punteggi normalizzati (da 0 a 1) dei relativi indicatori. I valori dell’indice per l’Italia variano tra 0,595 a Terragnolo (Trentino-Alto Adige/Südtirol) e 0,810 a Girasole (Sardegna), con una mediana di 0,697. Nonostante le limitazioni nella qualità e nella precisione temporale dei dati, l’indice SDG3 offre uno strumento prezioso per i decisori politici locali per confrontare i comuni e personalizzare gli interventi di sanità pubblica. Evidenziando le disparità geografiche, in particolare il divario tra le tre macro-aree italiane (Nord, Centro e Sud), questo indice rappresenta un passo verso valutazioni più sfumate della vulnerabilità sanitaria della popolazione. Una revisione sistematica della letteratura sugli effetti del calore sulla salute cardiovascolare evidenzia una notevole eterogeneità nelle definizioni di calore utilizzate negli studi (con un totale di 21 combinazioni di indicatori, metodi e soglie di confronto individuate in 54 articoli), creando difficoltà di comparazione e meta-analisi. Nonostante questa variabilità, le soglie basate sui percentili, piuttosto che i valori assoluti di temperatura, sono emerse come l’approccio più comune negli studi sulla salute legata al calore, rappresentando 46 delle 57 (80,7%) definizioni (alcuni articoli hanno testato più definizioni). Per affrontare questa incoerenza, la tesi propone una linea guida per standardizzare le definizioni di calore nella ricerca sanitaria, integrando tecniche statistiche consolidate, come il modello distribuito lag non lineare e la regressione di Poisson. Questa linea guida contribuisce all’avanzamento del settore migliorando la coerenza degli studi sui pericoli termici e la salute pubblica. Tuttavia, l’esclusione di articoli ad accesso riservato e letteratura grigia, insieme alla limitazione del periodo di pubblicazione a cinque anni (2018–2022) nella revisione sistematica, può introdurre bias di selezione, trascurando potenzialmente tendenze internazionali emergenti nella definizione di calore. Utilizzando Milano come caso studio, la ricerca analizza l’impatto del calore sugli interventi di emergenza cardiovascolare. Applicando la linea guida proposta ai dati delle chiamate di emergenza tra maggio e settembre degli anni 2017-2022, l’analisi identifica il 95° percentile della distribuzione annuale della temperatura apparente media giornaliera come soglia termica adeguata per Milano, tenendo conto di fattori temporali chiave che potrebbero influenzare significativamente la distribuzione delle emergenze, come il giorno della settimana, il giorno dell’anno e le tendenze a lungo termine. Il rischio relativo corrispondente è stimato a 1.11, con un intervallo di confidenza (CI) del 95% pari a 1.09-1.14. I risultati rivelano inoltre che alcune emergenze, come quelle fatali o che si verificano in strada, sono particolarmente sensibili agli effetti delle temperature estreme, con rischi relativi associati pari a 1.56 (95% CI [1.36-1.80]) e 1.25 (95% CI [1.16-1.34]), rispettivamente. Questi dati potrebbero avere implicazioni pratiche per i servizi medici di emergenza, consentendo una migliore allocazione delle risorse e preparazione durante condizioni meteorologiche estreme. La tesi esplora inoltre le caratteristiche socio-urbane che influenzano la vulnerabilità cardiovascolare al calore, utilizzando tecniche di machine learning, come il clustering k-means e il clustering gerarchico basato sulla densità, e modelli di regressione spaziale. Per ogni distretto urbano, la vulnerabilità cardiovascolare al calore è definita come la percentuale di emergenze avvenute durante il calore rispetto al totale delle emergenze, raggiungendo a Milano una mediana del 15.05%, con un intervallo interquartile del 13.99%-16.08%. L’analisi di regressione identifica variabili socio-urbane chiave, tra cui la temperatura media estiva, la densità delle fontane d’acqua potabile, le percentuali di residenti anziani, donne e laureati, che influenzano significativamente la vulnerabilità cardiovascolare al calore. La ricerca produce un indice di vulnerabilità socio-urbana, combinato con dati medici per creare una mappa della vulnerabilità, offrendo strumenti preziosi per urbanisti e decisori politici per indirizzare interventi nelle aree a maggior rischio, che comprendono 18 dei 86 distretti di Milano, dove risiedono oltre 300 000 persone. Inoltre, 20 distretti, con una popolazione di quasi 280 000 residenti, sono identificati come resilienti al calore nel contesto della salute cardiovascolare. La fase finale della ricerca coinvolge l’uso dell’intelligenza artificiale per prevedere le emergenze cardiovascolari giornaliere, con particolare attenzione ai parametri meteorologici, come la temperatura apparente media giornaliera del giorno dell’emergenza, del giorno precedente e di due giorni prima. Testando tre algoritmi di machine learning (eXtreme Gradient Boosting - XGBoost, CatBoost, Long Short-Term Memory neural network - LSTM), la ricerca dimostra il potenziale dell’intelligenza artificiale nel prevedere con alta precisione il volume delle emergenze cardiovascolari del giorno successivo (errore assoluto medio pari a 10 emergenze cardiovascolari, vicino alla componente casuale assoluta della serie temporale corrispondente), confermando prestazioni superiori rispetto a framework più semplici, i.e., non basati sul machine learning. L’applicazione di tecniche di intelligenza artificiale interpretabile, derivate dai valori di Shapley, migliora la trasparenza del processo decisionale del modello, rivelando che, sebbene la temperatura abbia un’influenza minima sulle previsioni nella maggior parte dei giorni, il suo impatto aumenta nettamente sopra i 25 °C. In particolare, la relazione tra temperatura e numero previsto di emergenze durante i giorni di calore è ben descritta da un modello lineare (R2=0,79). Questi risultati sottolineano l’importanza di integrare le caratteristiche meteorologiche nei modelli predittivi per migliorare l’accuratezza delle previsioni e l’efficienza delle risposte dei servizi di emergenza durante eventi meteorologici estremi. Questa tesi offre contributi significativi allo sviluppo di città intelligenti e resilienti, che salvaguardano proattivamente la salute pubblica di fronte al cambiamento climatico, fornendo approfondimenti tangibili per i servizi medici di emergenza, gli urbanisti e i decisori politici locali, oltre a soluzioni metodologiche che avanzano lo stato dell’arte. Tuttavia, riconosce anche diverse limitazioni, tra cui l’allineamento temporale dei dati, l’uso di indici relativi e l’esclusione di alcune aree urbane. Ulteriori applicazioni del framework proposto sono necessarie per differenziare tra risultati generalizzabili e specifici per contesti geografici particolari, come Milano. Le future ricerche dovrebbero concentrarsi sul miglioramento dell’integrazione dei dati, sull’aumento della risoluzione spazio-temporale e sul rafforzamento della collaborazione interdisciplinare.