机器学习识别了常规血液检测作为对污染依赖的认知功能差的准确预测措施

科学领域:

• 神经科学是一个神经科学.
• 环境健康 环境健康
• 公共卫生 公共卫生

背景情况:

• 确定了痴呆症的可修改风险因素 (教育,SES,环境),但个体风险仍然不清楚.
• 在一个表型队列中评估了450多个潜在的风险因素,以找到认知功能差的预测标志物.
• 旨在通过分析成像,血液,污染物和社会经济数据来了解早期痴呆风险因素.

研究的目的:

• 在没有神经疾病的队列中识别认知表现差的预测因素.
• 将人口层面的风险与个人的认知健康联系起来.
• 探索环境暴露,血液标记物和认知功能之间的关系.

主要方法:

• 在324个个体 (平均年龄61.6岁) 的队列上使用随机森林建模.
• 评估了457个特征,包括脑部成像,血液标志物 (贫血,重金属),社会剥夺和大气污染.
• 分析了一般认知能力差的预测因素.

主要成果:

• 常规评估的贫血标志物,特别是体质血红蛋白度 (MCHC) 的平均值,预测了低极和高极的一般认知能力差.
• 大气污染 (,一氧化碳,颗粒物) 的环境测量是认知表现差的最强预测因素.
• 在低MCHC和高大气污染物水平之间发现了负面关系,这表明污染依赖于认知效应.

结论:

• 常规,廉价的医疗检查和当地举措可以识别和保护面临认知衰退风险的个人.
• 研究结果表明,有可能使用血液测试来预测与污染相关的个人层面的认知功能.
• 突出了有针对性的,具有成本效益的干预措施的机会,以改善人口的认知健康.