一个机器学习模型预测了与血液中水平相关的中风

科学领域:

• 环境健康 环境健康
• 心血管疾病流行病学
• 生物医学数据科学 生物医学数据科学

背景情况:

• 卒中是全球死亡率和长期残疾的主要原因之一.
• 是一种环境有毒物质,与心血管疾病有关,包括中风.
• 有效识别中风风险因素对于公共卫生至关重要.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于使用血液中的含量来识别中风.
• 评估在美国成年人中血与中风风险之间的关联.
• 使用可解释的人工智能方法解释血对中风的预测性贡献.

主要方法:

• 利用了来自全国健康和营养检查调查 (NHANES, 2013-2014) 的数据,其中有2664名参与者.
• 采用多变量逻辑回归和5个ML算法 (KNN,DT,LR,MLP,RF) 进行模型构建和测试.
• 应用沙普利添加式解释 (SHAP) 来实现特征解释性.

主要成果:

• 逻辑回归 (LR) 模型在识别中风方面表现最好 (AUC:0.800,精度:0.966).
• 血中的高四分位数与中风的几率增加有关 (ORs从1.32到2.67不等).
• 血液中的被确定为ML模型中的显著预测因素,表明与中风风险的正相关性.

结论:

• 血液中的含量是中风风险的一个显著因素.
• 机器学习模型可以根据血液中的暴露有效预测中风风险.
• 这些发现强调了监测环境中的暴露对心血管健康的重要性.