与金属混合物相关的可解释机器学习模型通过EMR挖矿方法来识别高血压
1Ruijin Hospital, Shanghai Jiaotong University School of Medicine, Shanghai, China.
Journal of clinical hypertension (Greenwich, Conn.)
|January 12, 2024
概括
这项研究使用机器学习将高血压与重金属暴露联系起来. 尿液和血液中的某些金属,如和,与高血压风险增加有关.
科学领域:
- 环境健康 环境健康
- 毒理学 毒理学 毒理学
- 计算生物学 计算生物学
背景情况:
- 有限的数据存在于高血压和重金属暴露之间的关联.
- 暴露于重金属是越来越严重的公共卫生问题,可能与慢性疾病有关.
研究的目的:
- 开发一种可解释和强大的机器学习 (ML) 模型,以基于重金属暴露来识别高血压.
- 调查与高血压风险相关的特定重金属.
主要方法:
- 利用了来自美国国家健康和营养检查调查 (NHANES, 2013-2020.3) 的数据,其中包括19368名参与者.
- 开发并比较了五个ML模型,优化了极端梯度增强 (XGB) 模型与遗传算法 (GA).
- 为了模型的可解释性,使用了夏普利添加式解释 (SHAP) 和局部可解释模型-不可知解释 (LIME).
主要成果:
- 优化的GA-XGB模型在识别高血压时实现了0.774的AUC和87.7%的准确性.
- 尿液中的,,,,,,,,和与高血压有关.
- 血液中的,,和与高血压呈正相关性,而尿路中的与高血压呈负相关性.
结论:
- 一个高效,强大和可解释的GA-XGB模型有效地识别了与重金属暴露相关的高血压.
- 尿液和血液中的特定重金属是高血压的重要预测因素.
- 研究结果强调了监测重金属暴露与心血管健康有关的重要性.
更多相关视频
11:02Identification and Quantification of Deranged Metabolites in Critically Ill Patients Using NMR-Based Metabolomics
Published on: November 29, 2024
539
07:31Implementation of a Real-Time Psychosis Risk Detection and Alerting System Based on Electronic Health Records using CogStack
Published on: May 15, 2020
7.1K
