基于机器学习的环境监测数据对循环系统疾病死亡影响及预测预警模型构建

[目的]利用机器学习建立循环系统疾病死亡预测预警模型并进行评估，为疾病预防方法提供参考]利用中国某地区2014年至2018年循环系统疾病死亡数据进行分析，并由GAM、RF、XG和Boost建立预测模型。分布式滞后非线性模型计算累积滞后效应结果，构建预警模型并评估模型结果]在滞后效应，发现持续低温和高温、高浓度和高浓度的环境污染物会增加循环系统疾病的死亡风险。相对危险度7天的数据分别为1.236、1.130、1.56、1.062、1.218、1.153和1.796。RF、XG和Boost的模型分别为RMSE4.979和5.341，性能良好。年龄、性别、温度、日照时数、SO2、NO2、CO、O3、PM10和PM2．5被选为特征变量。利用从滞后效应筛选的累积数据确定预警值，预警效果良好。XG和Boost的预测结果的敏感性、特异性和曲线下面积分别为0.948、0.939和0.941。[局限性]缺乏关于伴随疾病和疾病发展过程的独立数据结论]该地区死亡人数的增加与高年龄、男性、温度、日照时数和污染物浓度的增加有关。利用XG-Boost模型构建的预测预警模型具有良好的性能，可以为相关部门的疾病预防和干预提供参考价值。