在高海拔工人中以数据驱动的代谢和心血管生物标志物的识别:一种机器学习方法

科学领域:

• 职业健康 职业健康 职业健康
• 生物统计学 生物统计学
• 机器学习 机器学习

背景情况:

• 高海拔矿工由于慢性缺氧而面临心脏代谢风险升高.
• 传统的适应性工作 (FFW) 评估通常单独分析生物标志物,可能错过了关键的健康模式.

研究的目的:

• 加强高海拔工人FFW身份的风险分层.
• 使用机器学习 (ML) 模型识别FFW的重要生物标志物.

主要方法:

• 分析了来自89,149名工人的420,966份就业前考试记录 (2021-2024年).
• 应用监督的ML模型 (随机森林,SVM,KNN,决策树) 来预测FFW.
• 后勤回归用于确定生物标志物和健康结果之间的关联.

主要成果:

• 随机森林模型实现了高预测性能 (精度为0.89,灵敏度为0.92,特异性为0.83).
• 确定了关键预测因素:体重指数 (BMI),血糖,甘油三和缩血压.
• 多变量分析证实BMI是最强的预测因素 (OR2.640),其次是葡萄糖,甘油三,静缩血压和吸烟状况.

结论:

• ML模型有效地识别了FFW在高海拔环境中的关键健康指标.
• 这些模型可以改善职业健康评估,并支持高海拔工人的预防性决策.