使用机器学习算法识别伊朗西南部居民暴露的关键因素

科学领域:

• 环境健康 环境健康
• 毒理学 毒理学 毒理学
• 数据科学数据科学数据科学

背景情况:

• 头发 (Hg) 水平升高对健康构成重大风险,需要针对性预防的预测模型.
• 了解影响Hg暴露的因素对于风险地区的公共卫生干预至关重要.

研究的目的:

• 评估八种机器学习 (ML) 模型,用于预测伊朗西南部的头发血水平.
• 确定影响头发Hg度的关键人口和暴露相关因素.

主要方法:

• 使用了八个ML模型,包括极端梯度提升 (XGB),用于头发Hg水平预测.
• 雇佣的转换特征重要性 (PFI) 来确定影响因素的相对重要性.
• 在持有数据集上使用R2,RMSE和MAE评估模型性能.

主要成果:

• 平均头发Hg水平 (3.31μgg−1) 超过了美国环保署和世卫组织的指导方针,这表明暴露风险很高.
• XGB模型在预测头发Hg水平方面表现优异 (R2=0.61,RMSE=2.2,MAE=1.25).
• 体重,地理位置,职业和鱼/鱼消费被确定为影响头发Hg水平的重要因素.

结论:

• ML模型,特别是XGB,是预测头发Hg水平和识别暴露风险的有效工具.
• 人口因素 (体重,位置) 和暴露因素 (职业,饮食) 显著影响头发的Hg变化.
• 这些发现为制定有针对性的策略提供了基础,以减轻Hg暴露并改善该地区的公共卫生.