Using Latent Profile Analysis to Identify Associations Between Gestational Chemical Mixtures and Child Neurodevelopment
Notice bibliographique
Résumé
BACKGROUND: Unsupervised machine learning techniques have become increasingly popular for studying associations between gestational exposure mixtures and human health. Latent profile analysis is one method that has not been fully explored. METHODS: We estimated associations between gestational chemical mixtures and child neurodevelopment using latent profile analysis. Using data from the Maternal-Infant Research on Environmental Chemicals (MIREC) research platform, a longitudinal cohort of pregnant Canadian women and their children, we generated latent profiles from 27 gestational exposure biomarkers. We then examined the associations between these profiles and child Verbal IQ, Performance IQ, and Full-Scale IQ, measured with the Wechsler Preschool and Primary Scale of Intelligence, Third Edition (WPPSI-III). We validated our findings using k-means clustering. RESULTS: Latent profile analysis detected five latent profiles of exposure: a reference profile containing 61% of the study participants, a high monoethyl phthalate (MEP) profile with moderately low persistent organic pollutants (POPs) containing 26%, a high POP profile containing 6%, a low POP profile containing 4%, and a smoking chemicals profile containing 3%. We observed negative associations between both the smoking chemicals and high MEP profiles and all IQ scores and between the high POP profile and Full-Scale and Verbal IQ scores. We also found a positive association between the low POP profile and Full-Scale and Performance IQ scores. All associations had wide 95% confidence intervals. CONCLUSIONS: Latent profile analysis is a promising technique for identifying patterns of chemical exposure and is worthy of further study for its use in examining complicated exposure mixtures.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».