环境对eGFR的影响:用于横截面研究的机器学习建模方法
Lei Liu1, Hao Zhou2, Xueli Wang3
1Department of Pathology, Affiliated Hospital of Nantong University, Nantong, China.
Frontiers in public health
|August 16, 2024
概括
机器学习模型使用NHANES数据将环境暴露与估计的膜过率 (eGFR) 联系起来. 某些,如三三和双S,与EGFR呈正相关性.
科学领域:
- 环境健康 环境健康
- 毒理学 毒理学 毒理学
- 腎臟病學 (nephrology) 是一種醫學.
背景情况:
- 有限的研究存在于环境暴露和估计的膜过率 (eGFR) 之间的关系.
- 环境是一种广泛存在的污染物,具有潜在的健康影响.
- 了解这些关联对于公共卫生评估至关重要.
研究的目的:
- 开发一个强大且可解释的机器学习 (ML) 模型,将环境暴露与eGFR联系起来.
- 为了确定影响功能的特定环境.
主要方法:
- 利用了来自国家健康和营养检查调查 (NHANES,2013-2016) 的数据.
- 开发并微调了基于暴露的eGFR回归的五个ML模型.
- 用Shapley添加式解释 (SHAP) 来解释模型.
主要成果:
- 一个随机森林 (RF) 回归器表现出高性能 (R-平方:0.998).
- 尿液中的三氨酸 (TCS) 和双S (BPS) 度与EGFR正相关.
- SHAP分析确定了BPS,双F (BPF) 和双A (BPA) 作为模型的重要贡献者.
结论:
- 射频模型有效地确定了NHANES队列中的暴露和eGFR之间的相关性.
- 这些发现表明BPA,BPF和BPS暴露与eGFR之间存在潜在的反向关联.
更多相关视频
00:05In Silico Modeling Method for Computational Aquatic Toxicology of Endocrine Disruptors: A Software-Based Approach Using QSAR Toolbox
Published on: August 28, 2019
13.9K
08:52Profiling Sensitivity to Targeted Therapies in EGFR-Mutant NSCLC Patient-Derived Organoids
Published on: November 22, 2021
4.0K
