机器学习方法用于识别重金属暴露和缺血性中风之间的联系,使用美国NHANES数据从2003年到2018年
Yierpan Zibibula1, Gulifeire Tayier2, Aierpati Maimaiti3
1Department of Emergency Center II, People's Hospital of Xinjiang Uygur Autonomous Region, Ürümqi, Xinjiang, China.
Frontiers in public health
|October 1, 2024
概括
这项研究开发了机器学习模型,将重金属暴露与缺血性中风 (IS) 联系起来. 后勤回归和XGBoost模型确定了年龄,,和贫困与收入比率作为IS的关键风险因素.
科学领域:
- 环境健康 环境健康
- 神经学 神经学
- 数据科学数据科学数据科学
背景情况:
- 暴露在重金属和缺血性中风 (IS) 之间的关系尚不清楚.
- 重金属毒性对公众健康构成重大关注,可能影响心血管事件.
- 缺血性中风是全球残疾和死亡的主要原因.
研究的目的:
- 开发和验证高效,可解释的机器学习 (ML) 模型,以评估重金属暴露与IS之间的关联.
- 识别导致IS风险的特定重金属和人口因素.
- 利用先进的数据分析来了解环境健康对神经结果的影响.
主要方法:
- 利用了来自国家健康和营养检查调查 (NHANES,2003-2018) 的数据,其中包括15575名参与者.
- 应用了七个机器学习模型,包括物流回归 (LR) 和XGBoost,以识别IS预测器.
- 使用十倍交叉验证,AUC,F1分数,Brier分数,MCC,PR曲线和DCA评估模型性能;使用DALEX进行特征解释.
主要成果:
- 后勤回归 (AUC:0.796) 和XGBoost (AUC:0.789) 在预测IS方面表现优越.
- 模型发现的关键因素包括年龄,血液中的含量,贫困与收入比例 (PIR) 和暴露.
- 特性重要性分析强调了这些因素在开发的预测模型中的重要作用.
结论:
- 机器学习模型,特别是逻辑回归和XGBoost,是识别重金属暴露和缺血性中风之间的关联的有效工具.
- 该研究强调了年龄,,和社会经济因素 (PIR) 在IS风险中的重要性.
- 这些发现为旨在减轻与重金属暴露相关的风险和预防缺血性中风的公共卫生战略提供了宝贵的见解.
