1区套路：NHANES+机器学习！

文章题目：Exploring the association between two groups of metals with potentially opposing renal effects and renal function in middle-aged and older adults: Evidence from an explainable machine learning method

DOI：10.1016/j.ecoenv.2023.115812

中文标题：探索两组可能对肾脏产生相反影响的金属与中老年人肾功能之间的关联：来自可解释的机器学习方法的证据

发表杂志：Ecotoxicol Environ Saf

影响因子：1区，IF=6.2

发表时间：2024年1月

今天给大家分享一篇在 2024年1月发表在《Ecotoxicol Environ Saf》（1区，IF=6.2）的文章。本文这项研究利用了美国国家健康和营养调查（NHANES）的数据，引入可解释机器学习模型（EML），评估两组可能具有相反肾脏效应的金属混合物与中老年成人肾功能的关联。研究使用了优化的机器学习模型及Shapley Additive exPlanations（SHAP）方法来评估慢性肾脏病（CKD）风险，并与多元逻辑回归（MLR）和贝叶斯核机器回归（BKMR）结果进行了比较。

暴露：本研究的暴露变量是参与者暴露于两组可能具有相反肾脏效应的金属混合物。具体而言，这些金属包括有毒的重金属（如铅、砷、镉、汞）和营养必需的微量元素（如硒和锰）。研究通过使用NHANES数据，测量了这些金属在血液中的浓度。

结局：研究的主要结局是中老年人群的肾功能，特别是慢性肾病（CKD）的风险。研究使用估计的肾小球滤过率（eGFR）来评估肾功能，将eGFR小于60 mL/min/1.73 m^2定义为CKD。

Table&Figure

结果解读：文章的结果部分详细分析了多元逻辑回归（MLR）、贝叶斯核机器回归（BKMR）以及可解释机器学习（EML）模型在探索两组金属与中老年人肾功能关系中的应用。MLR结果显示铅和砷与慢性肾病（CKD）正相关，而锰与CKD负相关，反映了不同金属的复杂生物效应。BKMR分析揭示了金属与CKD风险的非线性关系，并发现砷和铅之间存在显著的相互作用，表明金属间的交互作用可能增强或抵消其单独效应。EML模型进一步深入探讨了这些关系，发现铅、锰、砷和硒在性别、年龄或BMI之后对CKD风险影响显著，且通过SHAP的部分依赖图（PDP）展示了金属间的强烈相互作用及其非线性关系。此外，EML还识别了CKD风险的触发点，即在特定金属浓度下CKD风险突然改变的点。整体而言，这些结果强调了环境暴露与肾功能衰退之间的复杂联系，为制定公共卫生政策和环境干预提供了重要信息。

结论：研究表明，不同肾毒性金属共同暴露对肾功能的影响可能有所不同，EML 可作为研究复杂暴露混合物的有效方法。

大家在科研路上，可以借鉴这种研究方法，为自己的课题添砖加瓦。万层高楼平底起，一起加油呀！