Nimelt on seda võimalik teha kõrvutades inimeste elukeskkonda ülekaalulisusnäitajatega ning sisestades vastav info masinõppeprogrammi. Teadlaste hinnangul on elukeskkonda analüüsides näha, kas inimesed piirkonnas on ülekaalulised või mitte. Näiteks viitab ülekaalulisuse riskile roheluse ja parkide vähesus piirkonnas ning tanklate ja rohke liiklusega teede suur hulk.

Teadlased söötsid süstemi selle "treenimiseks" kokku umbes 1,2 miljonit pilti ja hulga terviseinfot. Hiljem analüüsis süsteem 150 000 Google Mapsi satelliidifoto põhjal Bellevue, Seatle'i, Tacoma, Los Angelese, Memphise ja San Antonio linnapilti. Piirkondadest, kus lahendust testiti, saadi kõige paremad tulemused Memphises, kus ülekaalulisusriskiga inimesed ja ohuriskiga piirkonnad viidi omavahel kokku 73,3 protsendilise täpsusega, keskmine protsent jäi 65 ligi.

Teadlased ise näevad loodud lahendust pigem abivahendina ning tõdevad, et lahendus ei paku täpset vastust küsimusele, kus ja miks ülekaalulised inimesed elavad. "Täpselt samamoodi nagu biomarkerid on head näitajad, mille põhjal tuvastada haigestumisriske, aitab meie poolt loodud lahendus tuvastada elukeskkonna ja terviseprobleemide vahelisi seoseid," seletas lahenduse üks loojatest, biostatistik Benjamin A. Goldstein. Tema hinnangul aitavad masinõppel põhinevad lahendused leida seoseid tervise ja erinevate tegurite vahel, mida inimesed ei oska tähele panna.

"Meie lahendus näitab, et ülekaalulisuse ja elukeskkonna vahel on tugev side ning seda kõigis uuritud regioonides," kirjutasid teadlased uurimuses. Nüüd jääb üle valemisse lülitada ka teised faktorid, mis aitaks erinevate riskigruppide ja elukeskkondade vahelisi suhteid veelgi paremini mõista - näiteks tegeletakse hetkel sarnase uurimusega, mis võimaldab satelliidifotodelt tuvastada vaesumisriskiga piirkondi ja inimesi.