随着机器学习的爆火，公共数据库联合机器学习几乎席卷了各大刊！但随着方法的滥用，高分文章越来越少，让人感慨这种组合是否还有发文意义？！
糖尿病（DM）是全球性的重大健康负担，患病率持续攀升。同时，全氟和多氟烷基物质（PFAS）作为广泛存 在且持久的环境污染物，一些流行病学研究提示PFAS暴露可能与2型糖尿病（T2D）风险增加相关， 但现有结果存在矛盾。
2025 年6月 23日 ， 南京中医药大学附属淮安中医院 学者 用 NHANES 数据库， 在 期刊 《 Ecotoxicology And Environmental Safety 》 （环境科学与生态学二区 ，IF=6.1） 发表了一篇题为 ：“Interpretable machine learning insights into the association between PFAS exposure and diabetes mellitus ” 的 研 究论文。 本研究旨在利用机器学习（ML）方法分析PFAS暴露与DM风险之间的关联，开发预测模型，并识别关键PFAS化合物及其非线性效应。 研究团队基于 美国 国家健康与营养调查（NHANES）2003-2018年 数据，经过 纳排，最 终 纳入了 10,471 名具有 血清PFAS浓度 （如PFOA、PFOS、PFNA等） 数据的 参与者。 其中 1327 名（12.7%）为DM患者。 研究将NAHNES 数据随机分为训练集（80%）和独立测试集（20%）， 以 可解释的机器学习为核心， 构建了 12种ML模型。随后， 利用SHAP值和部分依赖分析（PDP）评估PFAS的贡献及非线性效应，并通过 LOWESS平滑曲线 识别关键阈值。 此外，还开发了交互式网络计算器，用于评估个体DM风险。
主要研究结果
研究利用12种ML算法，结合PFAS暴露数据，开发了DM的预测模型。结果显示， LightGBM 在预测PFAS相关DM风险上表现最佳 。 图2 LightGBM模型中按重要性排序的前10个特征 部分依赖图（PDP）结果揭露了PFAS与DM风险之间的关联。其中， PFOA和PFDE与糖尿病风险呈负相关，而PFOS、PFNA和MPAH呈正相关。
并且， 在低 PFOA 水平下， PFDE、PFOS、MPAH 和 PFNA 显示出轻微的协同作用，这与 DM 风险增加有关。
但随着浓度的增加，作用减弱，PFOA 在降低 DM 风险方面起主导作用。
图4 PFOA和其他PFAS对DM风险的协同作用的二维部分依赖图。颜色梯度表示预测的DM风险，颜色越深表示风险越低，颜色越浅表示风险越高 此外，SHAP和LOWESS分析进一步证实了PFOA与DM风险的非线性负相关， 阈值为 2.48 ng/ML ，低于该阈值时，DM 风险显著降低。
综上 所述， 研究首次 使用机器学习揭示 PFAS 暴露与 DM 风险之间的关联，将 PFOA 确定为最关键的 PFAS，与 DM 风险有明显的非线性负相关。
选题在手，SCI我有！郑老师团队的NHANES一对一R语言指导课程， 不仅 提供专业的一对一耐心指导， 承诺包教包会， 还会为您提供优秀选题建议！
另外，现在报名还会附赠 NHANES Online平台两年的使用权！
我们将为您分享 更多公共数据库的高分发文思路和统计小技巧！
