一个可解释的机器学习框架,用于分析心肺疾病与气候污染物传感器数据之间的相互作用.

科学领域:

• 环境健康 环境健康
• 流行病学 流行病学
• 机器学习 机器学习

背景情况:

• 心肺呼吸道疾病 (CRD) 构成了严重的公共卫生负担.
• 环境因素越来越多地被认为是导致CRD恶化的因素.
• 需要有效的工具来将环境数据与健康结果联系起来,以便主动管理.

研究的目的:

• 开发和验证可解释的机器学习 (ML) 框架.
• 分析环境因素与CRDs每日急诊室 (ER) 招生之间的关系.
• 确定影响CRD录取的关键环境变量和关键暴露值.

主要方法:

• 利用了11年的 (2013-2023) 健康和环境数据 (气象,空气质量).
• 与四个ML模型进行了比较,使用了10倍的交叉验证以获得可靠性.
• 应用SHAP用于全球模型解释性和LIME用于本地分析和值识别.

主要成果:

• XGBoost 显示出优异的预测性能 (R2 = 0.901,MAE = 0.047).
• 确定了影响因素:高一氧化碳 (CO),相对湿度 (RH),低气压 (P_atm) 和温和的平均温度 (Tavg).
• 确定了增加CRD入院风险的临界值:CO > 0.84 mg/m3,P_atm ≤ 1006.81 hPa,Tavg ≤ 17.19 °C,RH > 70.33%. 这种值是指:

结论:

• 可解释的ML模型有效地将环境条件与CRD ER输入联系起来.
• 调查结果支持加强公共卫生监测和医疗保健资源分配.
• 该框架为环境监测和预防性医疗保健策略提供了有价值的工具.