重金属和代谢综合征之间的关系使用机器学习
Jun Yao1, Zhilin Du2, Fuyue Yang3
1Department of Respiratory and Critical Care, Guangyuan Central Hospital, Guangyuan, Sichuan, China.
Frontiers in public health
|April 30, 2024
概括
这项研究揭示了机器学习可以识别代谢综合征 (MetS) 的重金属暴露风险. 较高的和水平,以及女性的性别和年龄等因素,增加了MetS的概率,而和可能会提供保护.
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:
- 暴露于重金属是代谢综合征 (MetS) 的已知危险因素.
- 了解重金属和MetS之间的特定关联对于公共卫生至关重要.
- 机器学习 (ML) 提供了新的方法来分析复杂的健康数据.
研究的目的:
- 使用机器学习评估重金属暴露水平与代谢综合征 (MetS) 之间的关联.
- 确定有助于发展MetS风险的关键重金属.
- 开发和验证基于重金属暴露的MetS预测模型.
主要方法:
- 利用了来自国家健康和营养检查调查 (2003-2018) 的数据.
- 采用拉索回归用于变量选择和9ML模型进行关联分析,并进行5倍交叉验证.
- 应用了SHapley添加式扩展 (SHAP) 来解释AdaBoost模型的预测.
主要成果:
- 在AdaBoost模型中,AUC值为0.807,准确度为0.720,灵敏度为0.792.2,表现出卓越的性能.
- 高水平的,和增加的BMI,女性性别和年龄与增加的MetS概率有关.
- 较低的和含量与MetS的概率降低有关.
结论:
- AdaBoost ML模型有效地确定了重金属暴露和MetS之间的相关性.
- 可解释方法强调了,,,,,和作为MetS预测中的重要因素.
- 这项研究强调了ML在了解代谢性疾病的环境风险因素方面的有用性.
相关概念视频
00:57The Periodic Table and Organismal Elements
178.2K
Overview
178.2K
01:23Mechanistic Models: Compartment Models in Individual and Population Analysis
38
Mechanistic models are utilized in individual analysis using single-source data, but imperfections arise due to data collection errors, preventing perfect prediction of observed data. The mathematical equation involves known values (Xi), observed concentrations (Ci), measurement errors (εi), model parameters (ϕj), and the related function (ƒi) for i number of values. Different least-squares metrics quantify differences between predicted and observed values. The ordinary least...
38