应用机器学习算法来探索噪音和尘埃对职业暴露人群听力损失的影响
Yong Li1,2, Xin Sun3, Yongtao Qu4
1Department of Otolaryngology, Hebei Medical University, Shijiazhuang, China. 1078652585@qq.com.
Scientific reports
|March 18, 2025
概括
职业噪音和尘埃的联合暴露显著增加了职业噪音引起的听力损失 (ONIHL) 的风险,并影响了工人的整体健康. 机器学习模型有效地确定了ONIHL的关键风险因素.
科学领域:
- 职业健康 职业健康 职业健康
- 听力学 听力学是指听力学.
- 数据科学数据科学数据科学
背景情况:
- 职业噪音暴露是已知的听力损失原因之一.
- 噪音和尘埃暴露对听力和非听觉健康的综合影响不太清楚.
- 识别职业噪音引起的听力损失 (ONIHL) 的风险因素对于预防至关重要.
研究的目的:
- 调查职业噪音和尘埃暴露对听觉和听觉外功能的综合影响.
- 使用机器学习技术识别与ONIHL相关的风险因素.
- 评估机器学习模型对ONIHL的预测性能.
主要方法:
- 分析了来自14,145名工人的数据,其中627名为ONIHL.
- 统计分析 (奇平方,曼-惠特尼U) 和多变量后勤回归以确定风险因素.
- 开发和评估机器学习算法 (逻辑回归,随机森林) 用于ONIHL预测.
主要成果:
- 在ONIHL和非ONIHL组之间观察到性别,暴露水平,血压,吸烟习惯和血糖的显著差异.
- 男性的性别,联合暴露,升高的透静血压,吸烟,升高的禁食血糖,和年龄被确定为ONIHL的积极预测因素.
- 压缩性血压升高是一个负面预测因素. 后勤回归模型展示了最高的预测能力 (ROC=0.714).
结论:
- 联合职业噪音和尘埃暴露会增加ONIHL的风险,并对工人的健康产生负面影响.
- 机器学习方法为预测ONIHL提供了有效的工具.
- 由于研究的局限性,需要进行进一步的研究.
