重金属生物标志物及其对听力损失风险的影响:机器学习框架分析
Ali Nabavi1, Mohammad Kashkooli1, Sara Sadat Nabavizadeh2
1Student Research Committee, Shiraz University of Medical Sciences, Shiraz, Iran.
Frontiers in public health
|May 1, 2025
概括
和等重金属与听力损失有关. 在一项全国性调查中,机器学习确定了年龄,教育,性别以及这些金属生物标志物作为与听力障碍相关的关键因素.
科学领域:
- 环境健康 环境健康
- 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:
- 接触重金属是导致听力损失的潜在危险因素.
- 具体重金属生物标志物与听觉健康之间的关系需要进一步研究.
- 机器学习提供了一种新的方法来分析复杂的环境暴露数据和健康结果.
研究的目的:
- 使用机器学习框架调查重金属生物标志物与听力损失之间的关联.
- 确定与听力障碍相关的关键人口和环境因素.
- 利用一个具有全国代表性的数据集进行可靠的分析.
主要方法:
- 从国家健康和营养检查调查 (2012-2018) 中对2,772名参与者的回顾性横截面分析.
- 使用了机器学习算法 (随机森林,XGBoost,CatBoost等) 基于人口统计,临床和重金属生物标志物数据 (血和) 预测听力损失.
- 采用SHAP分析来确定各种特征在预测听力损失中的重要性.
主要成果:
- CatBoost 模型以 74.9% 的精度和 0.792.79 的 AUC 实现了最高的性能.
- 听力损失的重要预测因素包括年龄,教育水平,性别以及血液中和的含量.
- 在SHAP分析中,这些因素被确定为最有影响力的听力损失相关因子.
结论:
- 机器学习在全国样本中有效地确定了重金属生物标记物和听力损失之间的关联.
- 这些发现表明,在识别因重金属暴露而处于危险的个体方面,具有潜在的临床实用性.
- 这项研究为未来对环境因素和听觉健康的纵向研究提供了基础.
