在中国深,使用常规血液和生化指标构建了职业噪音引起的听力损失风险预测模型:一个预测建模研究
Caiping Li1, Liuwei Shi2,3, Linlin Chen1
1School of Public Health, Southern Medical University, Guangzhou, Guangdong, China.
BMJ open
|April 28, 2025
概括
一个新的机器学习模型使用常规血液测试预测职业噪音引起的听力损失 (ONIHL). 这种方法有助于对暴露在噪音中的工人进行早期诊断和干预.
科学领域:
- 职业健康 职业健康 职业健康
- 生物医学工程 生物医学工程
- 数据科学数据科学数据科学
背景情况:
- 职业噪音引起的听力损失 (ONIHL) 是一个常见的工作场所健康问题.
- 传统诊断需要多次听力测试,这可能是耗时和资源密集的.
研究的目的:
- 开发和验证用于预测ONIHL风险的机器学习模型.
- 为了利用常规的血液学和生物化学参数进行ONIHL预测.
- 为早期ONIHL风险评估提供一种新的方法.
主要方法:
- 分析了3297名暴露于噪音的工人的数据,其中包括160个ONIHL病例.
- 使用极端梯度提升 (XGBoost) 来构建预测模型.
- 通过特征选择来完善模型,并在独立数据集上评估其性能.
主要成果:
- XGBoost 模型在验证组件上达到 0.942 的 AUC,在测试组件上达到 0.990 的 AUC,实现了高性能.
- 一个精细的16个特征模型在一个独立的数据集上保持了强的性能 (AUC 0.872).
- 确定的主要预测因素包括血清白蛋白 (ALB),血小板分布宽度 (PDW),RDW-CV,血清肌素 (Scr) 和淋巴细胞百分比 (LYMPHP).
结论:
- 常规血液参数可以有效预测ONIHL风险.
- 血清白蛋白,PDW,RDW-CV,Scr和LYMPHP对于ONIHL风险分层至关重要.
- 开发的机器学习模型促进了ONIHL的早期诊断和干预.
