慢性疾病地区的 De Novo 暴露性地理空间组合与机器学习和网络分析

科学领域:

• 环境流行病学环境流行病学
• 地理空间分析是什么?
• 机器学习在公共卫生中的应用.

背景情况:

• 目前用于将环境暴露与疾病联系起来的方法有限.
• 暴露组包括所有环境暴露,为健康决定因素提供全面的视图.
• 了解这些空间关系对于公共卫生干预至关重要.

研究的目的:

• 引入和验证用于预测暴露体和流行病学关系 (aPEER) 的算法.
• 为了确定特定的空气污染物和美国各地的慢性疾病之间的空间关系.
• 将基于暴露组的模型与传统健康模型的预测能力进行比较.

主要方法:

• 利用aPEER,整合机器学习和网络分析,检查了12种慢性疾病和186种污染物.
• 采用主要组件分析 (PCA),K-means聚类和地图投影,根据污染物概况分组县.
• 计算了污染物集群和高患病率地区之间的雅卡德相关性;将结果与LISA,莫兰的I和回归模型进行了比较.

主要成果:

• aPEER产生了68,820个不同的,可解释的污染衍生区域.
• 在高血压,COPD,中风,中风死亡率和糖尿病中发现的最强的疾病污染相关性.
• 甲醇,乙和甲等特定污染物与美国东南部的这些疾病有关,与中风和糖尿病带相关.
• 基于污染物的模型显示,慢性疾病地理的预测准确度高于健康和预防服务模型的社会决定因素.

结论:

• aPEER有效地确定了疾病-空气污染物关系,其性能与基于健康和预防服务的社会决定因素模型相比或优于这些模型.
• 这些发现强调了aPEER在流行病学和地理空间研究中的实用性.
• 这项研究强调了暴露学在理解慢性疾病病因学方面日益重要的重要性.