环境兼容的重金属风险预测方法是通过多层次集体学习创建的

科学领域:

• 环境科学 环境科学
• 毒理学 毒理学 毒理学
• 数据科学数据科学数据科学
• 公共卫生 公共卫生

背景情况:

• 对于重金属 (HM) 暴露的传统健康风险评估存在延迟和被动性.
• 准确的健康风险预测 (HRP) 对于减轻HM暴露危害至关重要.
• 现有的方法可能无法完全整合强大的HRP的环境兼容性.

研究的目的:

• 提出一种创新的健康风险预测 (HRP) 方法,MEL-HR,整合多级合体学习 (MEL) 和环境兼容性.
• 通过使用点和间隔预测,评估MEL-HR对与HM暴露相关的健康风险的预测性能.
• 为了确定影响HRP超出HM度的关键环境因素.

主要方法:

• 开发了一种包含环境兼容性的多层合体学习 (MEL) 模型 (MEL-HR).
• 进行了点和间隔预测实验,使用了涵盖17个环境因素的490个数据集.
• 分析了特征的重要性,并对HM-only模型进行了比较实验.

主要成果:

• 点预测实现了HI的0.707和TCR的0.619的R2值.
• 间隔预测 (P5,P50,P95) 显示R^{2值高达HI的0.706和TCR的0.620.}
• 与仅使用HM的模型相比,环境兼容性显著提高了准确性19.83-40.36% (点) 和22.06-40.01% (间隔).
• 关键的环境因素包括经度,采矿面积系数和土壤有机物,以及HM因素.

结论:

• 拟议的MEL-HR方法通过整合环境兼容性,有效预测HM暴露的健康风险.
• 环境因素在HRP中发挥着重要作用,提高了模型的准确性,而不仅仅是HM数据.
• 这种方法为有针对性和有弹性的健康风险预防和控制提供技术支持.