可解释的机器学习模型用于通过EMR采矿方法与重金属相关的抑郁

科学领域:

• 环境健康 环境健康
• 计算精神病学是一种计算精神病学.
• 毒理学 毒理学 毒理学

背景情况:

• 对重金属暴露与抑郁症之间的联系的研究是有限的.
• 机器学习 (ML) 提供了识别复杂环境健康关联的潜力.
• 了解这些联系对于公共卫生干预至关重要.

研究的目的:

• 开发一种可解释和高效的ML模型,用于检测与重金属暴露相关的抑郁.
• 为了识别与抑郁相关的特定重金属及其暴露途径 (血液,尿液).
• 利用先进的ML技术进行可靠的预测和解释.

主要方法:

• 利用了来自美国国家健康和营养检查调查 (NHANES) (2013-2020) 的数据,其中有19368名参与者.
• 开发并比较了五个ML模型,使用遗传算法 (GA) 优化了最佳模型.
• 为了模型的可解释性,他使用了夏普利添加式解释 (SHAP) 和局部可解释模型-不可知解释 (LIME).

主要成果:

• 一个通过GA优化的Extreme Gradient Boosting (XGB) 模型,在使用16个重金属指标识别抑郁症方面实现了高性能 (AUC:0.686,准确率:97.1%).
• SHAP分析表明,血中含量升高对抑郁症预测产生了积极的影响.
• 对尿液度的,,锡,,,,,,和,以及血,,,,,和的度,对抑郁症的预测有负面影响.

结论:

• 一个高效和强大的GA-XGB模型成功地发现了与重金属暴露相关的抑郁症.
• 血液中的与抑郁症有积极的相关性.
• 尿液和血液中的特定重金属与抑郁症呈现负相关性,突出显示了复杂的暴露-反应关系.