Модель клинико-экологического риска на основе искусственного интеллекта

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Концепция экспосомы подчеркивает важность учета совокупных воздействий на организм в течение жизни, включая загрязнители окружающей среды. Влияние этих факторов может усиливать риск развития хронических заболеваний.

Цель. Разработка модели оценки клинико-экологического риска, которая позволяет предсказывать уровень чувствительности к химическим веществам на основе измеренных биомаркеров и оценки индекса Quick Environmental Exposure and Sensitivity Inventory (QEESI).

Материал и методы. В исследование были включены пациенты (n=71; 32 мужчины, 39 женщин) в возрасте 18–65 лет. Уровень химической чувствительности превышал 20 баллов по шкале QEESI. Данные анализировались с использованием Python и статистических библиотек. Для оценки клинико-экологического риска была создана модель машинного обучения (Random Forest Regressor).

Результаты. Значительные отклонения биомаркеров (аланинаминотрансфераза, аспаратаминотрансфераза, липопротеиды низкой плотности) от нормального распределения потребовали применения математических преобразований. Модель показала хорошие предсказательные способности, несмотря на высокие значения MAE и RMSE. Кубическая и квадратическая форма билирубина и шкала симптомов оказались наиболее значимыми факторами.

Заключение. Разработанная модель на основе алгоритма случайного леса (Random Forest Regressor) показала высокую точность в прогнозировании клинико-экологического риска. Оптимизация гиперпараметров, предварительная обработка данных с применением математических преобразований (логарифмическое, квадратное, кубическое), использование атрибута feature_importances_ позволили глубже понять влияние экологических факторов на здоровье.

Об авторах

В. В. Оноприев

Кубанский государственный медицинский университет

Email: bolotowa_e@mail.ru
ORCID iD: 0000-0002-6676-5247
SPIN-код: 5631-6667

доктор медицинских наук

Россия, Краснодар

Е. В. Болотова

Кубанский государственный медицинский университет

Email: bolotowa_e@mail.ru
ORCID iD: 0000-0001-6257-354X
SPIN-код: 4412-3236

доктор медицинских наук, профессор

Россия, Краснодар

А. В. Дудникова

Кубанский государственный медицинский университет

Email: bolotowa_e@mail.ru
ORCID iD: 0000-0003-2601-7831
SPIN-код: 7480-1992

кандидат медицинских наук

Россия, Краснодар

Л. В. Батракова

Кубанский государственный медицинский университет

Автор, ответственный за переписку.
Email: bolotowa_e@mail.ru
ORCID iD: 0000-0002-3688-6064
Россия, Краснодар

А. Г. Абраменко

Кубанский государственный медицинский университет

Email: bolotowa_e@mail.ru
ORCID iD: 0009-0007-6649-8576
SPIN-код: 5540-2472
Россия, Краснодар

Список литературы

  1. Bray R., Wang Y., Argiropoulos N. et al. The Impact of COVID-19 Health Measures on Adults With Multiple Chemical Sensitivity: Cross-Sectional Study. JMIR Form Res. 2024; 8: e48434. doi: 10.2196/48434
  2. Del Casale A., Ferracuti S., Mosca A. et al. Multiple Chemical Sensitivity Syndrome: A Principal Component Analysis of Symptoms. Int J Environ Res Public Health. 2020; 17 (18): 6551. doi: 10.3390/ijerph17186551
  3. Sanchez C.A., Lozada-Urbano M., Ospina E.E. Environmental exposure to multiple chemical elements in Peruvian populations: a review of selected studies. F1000Research. 2024; 13: 240. doi: 10.12688/f1000research.143130.1
  4. Utsav A., Mani H., Kumar M. еt al. Exposome analysis in toxicology: A comprehensive review. Journal of Toxicological Studies. 2023; 1 (1): 267. doi: 10.59400/jts.v1i1.267
  5. Cave M., Appana S., Patel M. еt al. Polychlorinated biphenyls, lead, and mercury are associated with liver disease in American adults: NHANES 2003-2004. Environ Health Perspect. 2010; 118 (12): 1735–42. doi: 10.1289/ehp.1002720
  6. Younossi Z.M., Stepanova M., Afendy M. еt al. Changes in the prevalence of the most common causes of chronic liver diseases in the United States from 1988 to 2008. Clin Gastroentero. Hepatol. 2011; 9 (6): 524–530.e1. doi: 10.1016/j.cgh.2011.03.020
  7. Lee H., Kim Y., Sim C.S., еt al. Associations between blood mercury levels and subclinical changes in liver enzymes among South Korean general adults: analysis of 2008-2012 Korean National Health and Nutrition Examination Survey data. Environ Res. 2014; 130: 14–9. doi: 10.1016/j.envres.2014.01.005
  8. Min Y.S., Lim H.S., Kim H. Biomarkers for polycyclic aromatic hydrocarbons and serum liver enzymes. Am J Ind Med. 2015; 58 (7): 764–72. doi: 10.1002/ajim.22463
  9. Lee D.H., Ha M.H., Kim J.H. еt al. Gamma-glutamyltransferase and diabetes—a 4 year follow-up study. Diabetologia. 2003; 46 (3): 359–64. doi: 10.1007/s00125-003-1036-5
  10. Pompella A., Emdin M., Franzini M. еt al. Serum gamma-glutamyltransferase: linking together environmental pollution, redox equilibria and progression of atherosclerosis? Clin Chem Lab Med. 2009; 47 (12): 1583–4. doi: 10.1515/CCLM.2009.350
  11. Go Y.M., Walker D.I., Liang Y. еt al. Reference Standardization for Mass Spectrometry and High-resolution Metabolomics Applications to Exposome Research. Toxicol Sci. 2015; 148 (2): 531–43. doi: 10.1093/toxsci/kfv198
  12. Vrijheid M., Fossati S., Maitre L. еt al. Early-Life Environmental Exposures and Childhood Obesity: An Exposome-Wide Approach. Environ Health Perspect. 2020; 128 (6): 67009. doi: 10.1289/EHP5975
  13. Matus P., Sepúlveda-Peñaloza A., Page K. еt al. The Chilean exposome-based system for ecosystems (CHiESS): a framework for national data integration and analytics platform. Front Public Health. 2024; 12: 1407514. doi: 10.3389/fpubh.2024.1407514
  14. Wang K., Liu P., Sun F. et al. Progress in Realizing the Value of Ecological Products in China and Its Practice in Shandong Province. Sustainability. 2023; 15: 9480. doi: 10.3390/su15129480
  15. Shahbazi Z., Camacho M., Ruiz E. et al. Machine learning-based prediction of diabetes risk by combining exposome and electrocardiographic predictors. In: 18th International Symposium on Medical Information Processing and Analysis. 2023 Mar; Vol. 12567: pp. 277–85.
  16. Higueras-Serrano I., Cerván-Martin M., González Muñoz S. et al. Influence of a dynamic exposome on the genetic component of male infertility. Hum Reprod. 2024; 39 (3): 612–22. doi: 10.1093/humrep/deae007
  17. Ashford N.A., Miller C.S. 1998: Appendix C: Environmental Exposure and Sensitivity Inventory: Chemical Application of QEESI for Japanese population. New York: John Wiley and Sons, pp. 371–84.
  18. Болотова Е.В., Дудникова А.В., Оноприев В.В. и др. Валидация русскоязычной версии опросника QEESI для оценки синдрома множественной химической чувствительности. Врач. 2024; 35 (7): 57–64 [Bolotova E., Dudnikova A., Onopriev V. et al. Validation of the russian-language version of the QEESI questionnaire for the assessment of multiple chemical sensitivity syndrome. Vrach. 2024; 35 (7): 57–64 (in Russ.)]. doi: 10.29296/25877305-2024-07-10
  19. Miller C.S., Prihoda T.J. A controlled comparison of symptoms and chemical intolerances reported by Gulf War veterans, implant recipients and persons with multiple chemical sensitivity. Toxicol Ind Health. 1999; 15 (3-4): 386–97. doi: 10.1177/074823379901500312
  20. Huang H., Chen H.M., Lin W.W. et al. Employing feature engineering strategies to improve the performance of machine learning algorithms on echocardiogram dataset. Digit Health. 2023; 9: 20552076231207589. doi: 10.1177/2055207623120758
  21. Feurer M., Hutter F. Hyperparameter Optimization. In: Hutter F., Kotthoff L., Vanschoren J. (eds). Automated Machine Learning. The Springer Series on Challenges in Machine Learning. Springer, Cham, 2019. doi: 10.1007/978-3-030-05318-5_1
  22. Brownlee J. Machine learning mastery with Python: understand your data, create accurate models and work projects end-to-end. Edition: v1.20, 2021; 169 р.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Сравнение фактических и предсказанных значений: а – обучающая выборка; б – тестовая выборка

Скачать (81KB)
Метаданные
3. Рис. 2. Значимость каждого признака для оценки клинико-экологического риска

Скачать (335KB)
Метаданные
4. Рис. 3. ROC-кривые для обучающей и тестовой выборок: светло-серая линия – обучающая выборка (AUC1 = 0,94), темно-серая линия – тестовая выборка (AUC2 = 0,93), пунктирная линия показывает линию случайного выбора

Скачать (85KB)
Метаданные

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».