A model of clinical and environmental risk based on artificial intelligence

Capa

Citar

Texto integral

Acesso aberto Acesso aberto
Acesso é fechado Acesso está concedido
Acesso é fechado Somente assinantes

Resumo

The exposome concept emphasizes the importance of taking into account the cumulative effects on the body during life, including environmental pollutants. The influence of these factors may increase the risk of developing chronic diseases.

Objective. Development of a clinical and environmental risk assessment model that allows predicting the level of sensitivity to chemicals based on measured biomarkers and the assessment of the Quick Environmental Exposure and Sensitivity Inventory (QEESI) index.

Material and methods. The study included 71 patients (32 men and 39 women) aged 18–65 years. The level of chemical sensitivity exceeded 20 points on the QEESI scale. The data was analyzed using Python and statistical libraries. A machine learning model (Random Forest Regressor) was created to assess clinical and environmental risk.

Results. Significant deviations of biomarkers (alanine aminotransferase, aspartate aminotransferase, low-density lipoproteins) from the normal distribution required the use of mathematical transformations. The model showed good predictive abilities, despite the high values of MAE and RMSE. The cubic and quadratic shape of bilirubin and the scale of symptoms were the most significant factors.

Conclusions. The developed model based on the Random Forest Regressor algorithm has shown high accuracy in predicting clinical and environmental risk. Optimization of hyperparameters, preprocessing of data using mathematical transformations (logarithmic, square, cubic), the use of the feature_importances_ attribute allowed a deeper understanding of the impact of environmental factors on health.

Sobre autores

V. Onopriev

Kuban State Medical University

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

MD

Rússia, Krasnodar

E. Bolotova

Kuban State Medical University

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

MD, Professor

Rússia, Krasnodar

A. Dudnikova

Kuban State Medical University

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

Candidate of Medical Sciences

Rússia, Krasnodar

L. Batrakova

Kuban State Medical University

Autor responsável pela correspondência
Email: bolotowa_e@mail.ru
ORCID ID: 0000-0002-3688-6064
Rússia, Krasnodar

A. Abramenko

Kuban State Medical University

Email: bolotowa_e@mail.ru
ORCID ID: 0009-0007-6649-8576
Código SPIN: 5540-2472
Rússia, Krasnodar

Bibliografia

  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.

Arquivos suplementares

Arquivos suplementares
Ação
1. JATS XML
Baixar
2. Fig. 1. Comparison of actual and predicted values: a – train data; б – test data

Baixar (81KB)
Metadados
3. Fig. 2. Significance of each attribute for clinical and environmental risk assessment

Baixar (335KB)
Metadados
4. Fig. 3. ROC curves for training and test samples: light gray line - training sample (AUC1 = 0.94), dark gray line - test sample (AUC2 = 0.93), dashed line shows the random selection line

Baixar (85KB)
Metadados

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».