背景:职业和环境接触有毒金属已被证明是人类健康的一个重要危险因素,其中铅、镉、汞和砷的暴露对人群健康危害尤为显著。广泛研究表明,接触重金属可能导致各类健康问题,包括心血管疾病、神经损伤、肾损伤、糖尿病甚至癌症。目前大多数研究是单个金属暴露对健康结局的边际效应,然而,考虑到重金属间复杂的相互作用机制可能导致的混杂,我们的研究关注金属之间交互作用对健康结局的风险,为研究金属暴露与心血管、肾脏和呼吸等方面相关疾病之间的关联提供新的见解。目的:使用非监督机器学习方法,基于尿液和血液中的铅、镉、汞和砷浓度将NHANES人群分成不同的风险组,并根据人群的风险分层信息研究重金属联合暴露与重要健康指标的关联。方法:我们分析了NHANES队列研究的6个连续周期（2003-2004年至2013-2014年）的9962名受试者数据。基于尿液中的三种重金属（总砷、铅、镉）和血液中的三种重金属（铅、镉、汞）的浓度采用两步分析方法对人群进行风险分层并与重要健康结局和相关指标作关联分析。在第一步中,将非监督机器学习聚类算法k-medoids方法应用于NHANES数据的人群聚类,基于尿液或血液中的金属浓度将人群划分为不同亚组。第二步,在控制七个可能的混杂因素（年龄、性别、种族/民族、教育程度、吸烟状况、BMI和尿肌酐）前提下对风险亚组与不同的健康结局和相关指标（GGT、收缩压、舒张压、高血压、总死亡率、心脏病、恶性肿瘤、慢性下呼吸道疾病、脑血管疾病、阿尔兹海默病、糖尿病、流感和肺炎、肾炎相关疾病死亡率）做关联分析。结果:基于血液和尿液重金属浓度水平,k-medoids算法将NHANES人群分为两个亚组。浓度较高的组定义为“高暴露”组,浓度较低的组定义为“低暴露”组。与不同的健康结局和相关指标的关联分析表明,基于血液和尿液金属浓度,高暴露组的总死亡率、恶性肿瘤引起的死亡率、γ-谷氨酰转移酶（GGT）显著更高。此外,基于血液水平的高暴露组与收缩压、高血压、心脏病和慢性下呼吸道疾病死亡率显著相关,而基于尿液浓度的高暴露组与肾炎相关疾病死亡率较高显著相关。结论:我们提出了一种非监督机器学习聚类算法,根据重金属联合暴露情况将人群分为高暴露组和低暴露组。以较高金属浓度为特征的高暴露组具有显著较高的γ-谷氨酰转移酶（GGT）、收缩压、舒张压和死亡率,表明暴露于这些重金属的有害影响。基于暴露模式的NHANES人群分层为研究金属暴露对健康结局的影响提供了参考方法。