文献

J-GLOBAL ID：201802270863373674   整理番号：18A1114987

機械学習法を用いた標準線形モデルを超えた環境リスクスコアの構築:NHanesにおける金属混合物,酸化ストレスおよび心血管疾患への応用【JST・京大機械翻訳】

Construction of environmental risk score beyond standard linear models using machine learning methods: application to metal mixtures, oxidative stress and cardiovascular disease in NHANES

著者 (5件)： Park Sung Kyun (Department of Epidemiology, School of Public Health, University of Michigan, Ann Arbor, USA) ,  Park Sung Kyun (Department of Environmental Health Sciences, School of Public Health, University of Michigan, Ann Arbor, USA) ,  Zhao Zhangchen (Department of Biostatistics, School of Public Health, University of Michigan, Ann Arbor, USA) ,  Mukherjee Bhramar (Department of Epidemiology, School of Public Health, University of Michigan, Ann Arbor, USA) ,  Mukherjee Bhramar (Department of Biostatistics, School of Public Health, University of Michigan, Ann Arbor, USA)
資料名： Environmental Health (Web)  (Environmental Health (Web))
巻： 16  号： 1  ページ： 102  発行年： 2017年 
JST資料番号： U7354A  ISSN： 1476-069X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 背景:汚染物質混合物への曝露の健康影響の懸念が高まっている。著者らは最初に,汚染物質の主な影響のみを考慮した疫学研究における多重汚染物質への曝露リスクを調べるための要約尺度として環境リスクスコア(ERS)を提案した。現代の機械学習法を用いて汚染物質-汚染物質相互作用を考慮してERSを拡張した。著者らは,環境曝露と多数の健康エンドポイントを結びつける一般的な疾患経路である酸化ストレス(γ-グルタミルトランスフェラーゼ(GGT))のマーカーを予測するための多重汚染物質アプローチを説明する。【方法】著者らは,全国健康および栄養調査(NHANES2003-2004年から2013-2014,n=9664)の6サイクルから尿または全血で測定された20の金属バイオマーカーを調べた。著者らは,データを訓練とテストセットにランダムに分割し,主効果とペアワイズ相互作用(AENET-I),Bayes加法回帰ツリー(BART),Bayesカーネル機械回帰(BKMR),およびテストセットにおけるそれらの性能を評価した適応弾性ネットを用いて,GGTのための金属混合物のERSを構築した。また,GGT-ERSと心血管エンドポイントとの関連を評価した。結果:AENET-Iに基づくERSは,試験セットにおける予測誤差に関して,他のアプローチより良好に機能した。GGTに関連して同定された重要な金属はカドミウム(尿),ジメチルアルソン酸,モノメチルアルソン酸,コバルト,バリウムを含む。すべてのERSは,収縮期および拡張期血圧および高血圧と有意な相関を示した。高血圧症に対して,AENET-I,BARTおよびSuperlearnerからの各ERSにおける1つのSD増加は,それぞれ1.26(95%CI,1.15,1.38),1.17(1.09,1.25)および1.30(1.20,1.40)のオッズ比と関連した。ERSは死亡率結果と非有意な正の相関を示した。結論:ERSは汚染物質混合物からの累積リスクを特性化するための有用なツールであり,高い相関度と汚染物質-汚染物質相互作用のような統計的課題を説明する。GGTのような中間マーカーのために構築されたERSは関連疾患エンドポイントの予測である。Copyright 2018 The Author(s). All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 死亡率 ,  汚染物質 ,  *機械学習 ,  バイオマーカー ,  キャラクタリゼーション ,  *酸化ストレス ,  高血圧症 ,  *循環系 ,  相互作用 ,  グルタミルトランスペプチダーゼ ,  多重化
準シソーラス用語： オッズ比 ,  エンドポイント ,  健康 ,  健康影響 , 【Automatic Indexing@JST】

著者キーワード (10件)： Bayes加法回帰ツリー(BART) ,  Bayesカーネル機械回帰(BKMR) ,  心血管疾患 ,  弾性ネット ,  環境リスクスコア(ERS) ,  機械学習 ,  金属 ,  混合物 ,  多重汚染物質 ,  スーパー学習者

分類 (2件)： 人間に対する影響  (EE05050C) ,  疫学  (GB03000E)

引用文献 (69件)：

• Environ Health Perspect; What Can Epidemiological Studies Tell Us about the Impact of Chemical Mixtures on Human Health?; JM Braun, C Gennings, R Hauser, TF Webster; 124; 1; 2016; A6-A9; 10.1289/ehp.1510569; CR1;
• Environ Mol Mutagen; Deciphering the complex: methodological overview of statistical models to derive OMICS-based biomarkers; M Chadeau-Hyam, G Campanella, T Jombart, L Bottolo, L Portengen, P Vineis, B Liquet, RC Vermeulen; 54; 7; 2013; 542-557; 10.1002/em.21797; CR2;
• Environ Health; Statistical strategies for constructing health risk models with multiple pollutants and their interactions: possible choices and comparisons; Z Sun, Y Tao, S Li, KK Ferguson, JD Meeker, SK Park, SA Batterman, B Mukherjee; 12; 1; 2013; 85; 10.1186/1476-069X-12-85; CR3;
• Ann Epidemiol; Estimating the health effects of exposure to multi-pollutant mixture; C Billionnet, D Sherrill, I Annesi-Maesano; 22; 2; 2012; 126-141; 10.1016/j.annepidem.2011.11.004; CR4;
• J R Stat Soc Ser B Methodol; Regression Shrinkage and Selection via the Lasso; R Tibshirani; 58; 1; 1996; 267-288; CR5;

タイトルに関連する用語 (11件)： 機械学習 ,  標準 ,  線形モデル ,  環境リスク ,  スコア ,  構築 ,  NHANES ,  混合物 ,  酸化ストレス ,  心血管疾患 ,  応用