基于机器学习技术的克雅氏病预测

克雅氏病（CJD）是一种快速进展且致命的神经退行性疾病，每年在美国导致约350人死亡。具体而言，它是一种由错误折叠的朊蛋白（称为$PrP^{Sc}$，即朊蛋白$PrP^{C}$的传染形式）引起的朊病毒病。与体内正常回收不同，$PrP^{Sc}$在大脑中聚集形成斑块，导致周围细胞神经退行以及病理的海绵状特征。然而，关于影响个体获得$PrP^{Sc}$几率的因素研究极少。本文使用弹性网络回归（Elastic Net Regression）、长短期记忆循环神经网络架构（Long Short-Term Memory Recurrent Neural Network Architectures）和随机森林（Random Forest）来预测美国的克雅氏病水平。基于已知影响CJD的常见因素（如土壤、食物和水质）创建了新变量作为模型使用的数据。根据均方根误差（RMSE）、平均偏差误差（MBE）和平均绝对误差（MAE）值，本研究揭示了不健康生活方式选择、CO$_{2}$水平、农药使用量和钾肥K$_{2}$O使用量对CJD水平的高影响。由此，本研究为CJD预防和检测以及潜在病因指出了新的研究途径。