淋巴细胞和相关炎症因素作为轮班工人代谢综合征风险的预测因素:基于大规模人口数据的机器学习方法
1Department of massage, The Hangzhou TCM Hospital Affiliated to Zhejiang Chinese Medical University, Hangzhou, Zhejiang, China.
PloS one
|December 29, 2025
概括
有代谢综合征 (MetS) 风险的轮班工作者可以通过淋巴细胞计数来确定. 监测这些血细胞计数可能有助于早期的MetS风险分层对这一群体.
科学领域:
- 生物医学科学 生物医学科学
- 数据科学数据科学数据科学
- 职业健康 职业健康 职业健康
背景情况:
- 代谢综合征 (MetS) 与慢性炎症和昼夜干扰有关,在轮班工作者中普遍存在.
- 机器学习模型可以使用炎症生物标志物预测轮班工人的MetS风险.
- 轮班工人代表着一个独特的,高风险的人群,需要对MetS进行持续的健康监测.
研究的目的:
- 调查轮班工人中炎症指标 (血细胞计数) 和MetS风险之间的关系.
- 应用机器学习方法,以提高这一群体对MetS的生物学理解.
- 确定可靠的生物标志物,以便在轮班工人中早期进行METS风险评估.
主要方法:
- 从轮班工人的国家健康和营养检查调查数据 (2005-2010,2017-2018) 的横截面分析.
- 机器学习模型的开发和验证:随机森林 (RF),极端梯度增强 (XGBoost),光梯度增强机器 (LightGBM) 和线性回归 (LR).
- 模型性能的比较分析,分层分析,平滑曲线适配和值效应分析.
主要成果:
- 机器学习模型在轮班工人中对MetS风险的预测性表现良好 (测试数据集中的AUC从0.699到0.747不等).
- 重要的预测因素包括体重指数,年龄,中性粒细胞,淋巴细胞,单细胞和血小板数量以及它们衍生的炎症指数.
- 淋巴细胞数量始终与MetS风险相关,观察到与血小板的复杂非线性关系以及炎症因素的不同度值.
结论:
- 淋巴细胞计数和相关复合指数是轮班工人MetS风险的重要预测指标.
- 监测这些生物标志物可以帮助轮班工人早期,基于几率的MetS风险分层.
- 需要进一步的纵向和干预研究来确认预防性影响.
