基于机器学习的职业尘埃暴露人口中轻度认知障碍的预测和验证

科学领域:

• 职业健康 职业健康 职业健康
• 神经科学是一个神经科学.
• 数据科学数据科学数据科学

背景情况:

• 采矿中的尘埃暴露与认知障碍有关,但风险因素尚未得到充分研究.
• 早期识别认知衰退对于在职业环境中实施及时干预至关重要.

研究的目的:

• 通过机器学习,在暴露于尘埃的矿工中识别轻度认知障碍 (MCI) 的关键风险因素.
• 在这个人群中开发和验证MCI的预测模型.

主要方法:

• 1938年的矿工队伍使用单变量和多变量后勤回归进行了分析.
• 七个机器学习算法 (XGBoost,物流回归,随机森林等) 接受过培训和验证.
• 模型性能使用接收器运行特征曲线 (AUC) 下的面积进行评估;XGBoost使用SHAP进一步解释.

主要成果:

• 对MCI的独立风险因素包括较低的教育水平,年龄较大,工作时间较长,压力较高 (SSRS) 和焦虑 (HAMA).
• 与物流回归 (AUC=0.778) 相比,XGBoost表现出优异的预测性能 (测试组上的AUC=0.913).
• 患有MCI的矿工在视觉空间,注意力,抽象思维和记忆领域表现出显著的缺陷.

结论:

• 机器学习模型,特别是XGBoost,有效地预测暴露在尘埃中的矿工的认知障碍风险.
• 开发的模型可以告知有针对性的预防措施,以减轻这一职业群体的认知衰退.