鉴定使用制阻燃剂暴露的肺风险:基于SHAP方法的机器学习预测模型
Qihang Xie1, Haoran Qu1, Jianfeng Li1
1Department of Cardiothoracic Surgery, The First Affiliated Hospital of Chongqing Medical University, Chongqing, China.
Frontiers in public health
|July 10, 2025
概括
这项研究开发了一种机器学习模型,使用制阻燃剂 (BFRs) 暴露和人口统计数据来预测肺气风险. 更高的BFR暴露,特别是PBB153,与肺瘤风险增加有关.
科学领域:
- 环境健康 环境健康
- 肺部医学 肺部医学
- 计算生物学 计算生物学
背景情况:
- 肺显著导致肺部疾病的进展和相关的健康风险.
- 环境暴露,如制阻燃剂 (BFRs),是潜在的肺气风险因素,但研究不足.
- 在肺瘤预测中BFRs的作用仍然在很大程度上被忽视.
研究的目的:
- 开发一个机器学习 (ML) 模型来预测肺风险.
- 将BFR暴露数据和人口特征纳入预测模型.
- 评估BFRs对肺气风险预测的影响.
主要方法:
- 使用了NHANES (2005-2016) 数据集,其中有8205名参与者.
- 在训练 (70%) 和测试 (30%) 集上应用了八个ML算法 (lightGBM,MLP,DT,KNN,RF,SVM,ENET,XGBoost).
- 雇佣的SHAP和部分依赖地图 (PDP) 为模型的解释性.
主要成果:
- MLP模型实现了最高的性能,AUC为0.83.
- 年龄和PBB153被确定为最有影响力的预测因素.
- 较高的BFR暴露,特别是PBB153,显示出与肺气风险增加的强烈关联,由SHAP和WQS分析证实.
结论:
- 对于肺风险评估,BFR暴露具有显著的预测价值.
- 纳入像BFR这样的环境因素对于准确的疾病预测模型至关重要.
- 研究结果支持将BFR评估纳入个性化健康风险评估和公共卫生战略.
更多相关视频
09:50Impact Assessment of Repeated Exposure of Organotypic 3D Bronchial and Nasal Tissue Culture Models to Whole Cigarette Smoke
Published on: February 12, 2015
11.3K
09:33Visualizing Field Data Collection Procedures of Exposure and Biomarker Assessments for the Household Air Pollution Intervention Network Trial in India
Published on: December 23, 2022
2.4K
