编辑推荐：
青光眼是不可逆视力残疾的主要病因之一。为探究重金属暴露与青光眼的关系，研究人员分析 NHANES 数据库数据，构建机器学习模型。结果发现 As 代谢物与青光眼显著相关。该研究为青光眼防治提供了新方向。
在大众的认知里，眼睛就像心灵的窗户，能让我们欣赏五彩斑斓的世界。但有一种疾病却悄然威胁着人们的视力，它就是青光眼。青光眼是一种视神经病变，全球 40 - 80 岁人群中约 3.5% 患有此病，预计到 2040 年，患者数量将达 1.118 亿，成为不可逆视力残疾的重要病因，给公共卫生带来巨大挑战。
目前，针对青光眼的治疗主要是降低眼压，但对于正常眼压性青光眼患者效果不佳。而重金属作为环境污染物，广泛分布在自然环境中，具有稳定性、难降解性、累积性和生物毒性。有研究表明，重金属与视神经损伤有关，比如砷暴露会影响视神经轴突发育。不过，以往关于重金属和青光眼关系的流行病学研究结果并不统一，且大多忽略了体内重金属代谢的化学变化，传统统计方法也难以解释高维数据中的复杂模式。
为了深入探究重金属暴露与青光眼之间的关系，安徽医科大学第二附属医院等单位的研究人员开展了相关研究。他们利用美国国家健康和营养检查调查（NHANES）2005 - 2008 年的随访数据，收集了 2572 名受试者的信息，通过广义线性模型研究尿中重金属水平与青光眼风险的关联，并使用机器学习算法构建个性化风险预测模型，还通过多种分析方法对模型结果进行解读。
该研究具有重要意义，为青光眼的早期诊断、风险评估和及时治疗发现了新的生物标志物，也为制定减少重金属暴露的公共卫生措施提供了科学依据。
研究人员开展此项研究用到的主要关键技术方法如下：
- 数据收集：从 NHANES 数据库获取 2005 - 2008 年美国居民的问卷调查、体格检查、成像、血清学和尿液检测等数据，这些数据具有全国代表性。
- 变量评估：检测包括铅（Pb）、汞（Hg）、镉（Cd）、砷（As）及其多种代谢物等 20 种尿中重金属数据，尿液样本采用固相萃取 - 高效液相色谱 - 涡轮离子喷雾电离 - 串联质谱（SPE - HPLC - TCI - MS/MS）进行分析。
- 模型构建与评估：将数据集分为训练集（80%）和测试集（20%），训练 11 种机器学习模型，通过受试者工作特征曲线（ROC）下面积（AUC）等指标评估模型性能，选择最佳模型进行后续分析。
下面来详细看看研究结果：
- 受试者特征：研究共纳入 2572 名美国非机构化平民，青光眼患者年龄更大、能量摄入更高，且慢性肾病、糖尿病和高血压等病史更为普遍，但两组受试者的重金属水平无显著差异1。
- 重金属与青光眼的相关性：经广义线性回归分析，发现体内 As 的代谢化合物与青光眼相关。调整一系列混杂因素后，砷氯（AC）、单甲基砷（MMA）和铯（Cs）与青光眼风险变化存在显著相关性，尤其是 AC，在多个模型中都保持与青光眼的显著正相关2。
- 青光眼风险预测模型：实验发现随机森林（RF）、XGBoost 和神经网络（NN）模型在识别青光眼风险方面表现良好，平均 AUC 值达 1.000。综合考虑，XGBoost 更适合后续的特征描述和风险预测3。
- 模型特征解释：基于 SHAP 和 LIME 方法的分析表明，年龄、As 及其代谢物等对青光眼风险预测影响较大。部分依赖图（PDP）和累积局部效应（ALE）分析显示，高浓度的二甲基砷（DMA）、铊（Tl）和铀（Ur）与青光眼风险增加有关，且大多数重金属在低浓度时与青光眼风险呈负相关。交互作用分析发现，铂（Pt）、Ur 和钡（Ba）与青光眼风险的相互作用较强，而 As 代谢物的相互作用较弱4。
- 个性化风险预测：通过对随机选择的受试者进行风险评分，发现 As3和 As5对识别青光眼风险贡献显著5。
在结论和讨论部分，研究人员指出，他们证实了尿中重金属如 Cs、AC 和 MMA 与青光眼之间存在强关联，尤其是 AC。通过构建机器学习模型，发现 As 及其代谢物对青光眼发展的影响比其他重金属元素更大。这一研究结果提示临床医生，了解患者的环境暴露史，尤其是重金属暴露史，有助于青光眼的早期筛查。对于高风险人群，应考虑定期进行青光眼筛查，同时政策制定者应加强对环境污染的监测，制定针对高风险人群的健康干预措施。
然而，该研究也存在一些局限性。研究采用的是横断面设计，无法明确重金属与青光眼之间的因果关系，未来需要纵向队列研究进行验证。此外，由于数据限制，研究未对眼压等重要混杂因素进行充分调整，且尿中重金属浓度不一定能准确反映长期暴露水平，不同模型的性能也可能受数据不平衡的影响。但总体而言，该研究作为首次应用机器学习探索重金属与青光眼关系的流行病学研究，为深入理解青光眼的发病机制和防治提供了新的思路和方向 。
