Explainable Machine Learning Models for Predicting FEV1 in Non-Smoking Taiwanese Men Aged 45–55 Years
Notice bibliographique
Résumé
Background: Traditional regression explains only part of the variation in forced expiratory volume in one second (FEV1). Machine learning (ML) methods may capture nonlinear patterns beyond linear assumptions. Methods: We analyzed 23,943 non-smoking Taiwanese men aged 45–55 years from the MJ Health Screening Cohort. Random Forest (RF), Stochastic Gradient Boosting (SGB), and XGBoost were compared with multiple linear regression (MLR) using repeated train–test splits. Model performance was evaluated with RMSE, RAE, RRSE, and SMAPE. Shapley additive explanations (SHAP) were used to interpret variable effects. Results: ML models achieved slightly lower prediction errors than MLR. The most influential predictors across models were lactate dehydrogenase (LDH), body weight (BW), education level, leukocyte count, total bilirubin, and sport area. SHAP indicated negative effects of LDH and leukocyte count and positive associations for BW, bilirubin, education, and physical activity. Conclusions: ML approaches provided modest accuracy gains and clearer interpretability compared with MLR. Biochemical and lifestyle factors—including LDH, BW, education, inflammation markers, and physical activity—contribute meaningfully to FEV1 among healthy middle-aged men.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».