开发一种机器学习模型,以探索使用SHAP的美国成年人中的重金属暴露和气泡骨损失之间的关联:基于NHANES 2015-2018年的研究
1Department of stomatology, Suzhou Wujiang District Hospital of Traditional Chinese Medicine, Dachun road 999, Wujiang District, Suzhou, 215221, PR China. cjy13912736738@163.com.
BMC public health
|February 5, 2025
概括
这项研究开发了一种机器学习模型,以识别膜骨损失 (ABL) 的风险因素. 发现 (Cd) 暴露和年龄是ABL的重要贡献者.
科学领域:
- 环境健康 环境健康
- 牙周病学 牙周病学
- 数据科学数据科学数据科学
背景情况:
- 膜骨损失 (ABL) 是一种与重金属暴露相关的普遍疾病.
- 以前的统计模型面临着诸如过拟合和长时间计算等局限性.
- 确定可靠的ABL风险因素仍然是一个挑战.
研究的目的:
- 开发一个强大的算法来探索重金属暴露和ABL之间的关联.
- 确定因果变量并了解将重金属与ABL联系起来的机制.
- 确定导致ABL的关键风险因素.
主要方法:
- 使用了国家健康和营养检查调查 (NHANES) 数据 (2015-2018).
- 使用机器学习 (ML) 模型,包括随机森林 (RF),特征选择后 (LASSO) 和数据平衡 (SMOTE).
- 评估模型性能使用AUC,准确性,精度,回忆和F1得分,使用SHAP进行可变贡献分析.
主要成果:
- 随机森林 (RF) 模型表现出卓越的性能 (AUC=0.88).
- (Cd) 被确定为ABL的主要重金属贡献者.
- 年龄是最重要的独立因素,而性别的影响最小.
结论:
- 射频模型有效地确定了Cd和年龄作为与ABL相关的关键因素.
- 较低收入 (PIR) 和某些种族/族群 (非西班牙裔黑人,其他种族) 显示与ABL的关联较高.
- 建议使用先进的算法进行进一步的研究,以验证和完善这些发现.
