在韩国成年人中使用机器学习预测高暴露的per-和多基物质 (PFASs)

科学领域:

• 环境化学环境化学
• 毒理学 毒理学 毒理学
• 计算生物学 计算生物学

背景情况:

• 和多基基物质 (PFAS) 是持久性合成化学物质,与公共卫生问题有关.
• 评估人口水平的PFAS暴露对于风险管理至关重要.

研究的目的:

• 开发和评估用于预测高 PFAS 暴露的机器学习 (ML) 模型.
• 确定韩国人口中PFAS水平升高的关键预测因素.

主要方法:

• 六个ML算法 (RF,GBM,XGBoost,LR,SVM,KNN) 被应用到KoNEHS数据中.
• 我们比较了一个全模型 (64个变量) 和一个紧模型 (10个健康指标).
• 用均衡准确度评估模型性能.

主要成果:

• 所有ML模型都表现出强大的性能,达到82%的平衡精度.
• 年龄 (>45岁) 是高PFAS暴露的最重要的预测因素.
• 血清中的,血清中的,血红蛋白,ALT,红细胞和血小板数量也是关键预测因素.

结论:

• ML模型显示了识别PFAS暴露高风险人群的巨大潜力.
• 即使是带有基本健康指标的紧数据集也可以产生高预测准确度.
• 这些发现支持针对PFAS风险管理的积极公共卫生战略.