使用传统方法和新颖的机器学习方法，长期接触颗粒物与痴呆风险增加相关。
摘要来源：Sci报告 2022 年 10 月 12 日；12(1):17130。 Epub 2022 年 10 月 12 日。PMID：36224306
摘要作者：Yuan-Horng Yan、Ting-Bin Chen、Chun-Pai Yang、I-Ju Tsai、Hwa-Lung Yu、Yuh-Shen Wu、Winn-Jung Huang、Shih- Ting Tseng、Tzu-Yu Peng、Elizabeth P Chou
文章归属：Yuan-Horng Yan
摘要：空气污染暴露与多种疾病有关，包括痴呆症。然而，缺乏一种调查空气污染暴露与疾病之间关联的新方法。本研究的目的是调查长期 e 是否使用传统的 Cox 模型方法和采用随机森林 (RF) 方法的新型机器学习 (ML) 方法，暴露于环境颗粒物空气污染会增加痴呆风险。我们使用了 2000 年至 2017 年台湾全国人口队列的健康数据。我们从台湾环境保护局 (EPA) 收集了以下环境空气污染数据：细颗粒物 (PM) 和气态污染物，包括二氧化硫 ( SO）、一氧化碳（CO）、臭氧（O）、氮氧化物（NO）、一氧化氮（NO）和二氧化氮（NO）。收集了基于地统计学方法（即贝叶斯最大熵法）计算的时空估计空气质量数据。每月对每个受试者居住的县和乡镇进行审查，并根据每个受试者相应的乡镇和当年月份与空气质量数据相关联。使用了 Cox 模型方法和 ML with RF 方法。 PM浓度增加1int四分位数范围 (IQR) 使痴呆风险增加约 5%（HR = 1.05，95% CI = 1.04-1.05）。扩展Cox模型方法与RF方法的性能比较表明，RF方法的预测精度约为0.7，但AUC低于Cox模型方法。这项为期 18 年的全国队列研究提供了支持证据，表明长期暴露于颗粒物空气污染与台湾痴呆症风险增加相关。 ML 与 RF 方法似乎是探索空气污染物暴露与疾病之间关联的可接受的方法。