Predicción interpretable de la asociación del síndrome de CKM en etapa tardía de los nutrientes dietéticos en el...

Área de la Ciencia:

• Ciencias de la Nutrición Ciencias de la Nutrición
• Gerontología Gerontología.
• Biología computacional Biología computacional.

Sus antecedentes:

• La progresión del síndrome cardiovascular-renal-metabólico (CKM) en individuos con envejecimiento acelerado es una preocupación creciente.
• No se comprende bien el papel de la ingesta habitual de nutrientes en la dieta para mitigar esta progresión.

Objetivo del estudio:

• Investigar la asociación entre la ingesta dietética de nutrientes y la progresión del síndrome de CKM en etapa tardía en individuos con envejecimiento acelerado.
• Desarrollar y validar modelos de aprendizaje automático para predecir el riesgo de progresión del síndrome de CKM.

Principales métodos:

• Se utilizaron datos de siete ciclos (2005-2018) de la Encuesta Nacional de Salud y Nutrición de los Estados Unidos (NHANES).
• Desarrolló seis modelos de aprendizaje automático, incluidos LightGBM y Random Forest, para predecir la progresión de CKM en etapa tardía.
• Aplicó explicaciones aditivas de SHapley (SHAP) y explicaciones agnóstico-modelo interpretables locales (LIME) para identificar los principales contribuyentes dietéticos.

Principales resultados:

• Los modelos LightGBM y Random Forest mostraron el mayor rendimiento predictivo para la progresión de CKM en etapa tardía.
• El análisis SHAP identificó nutrientes clave asociados negativamente con el riesgo de CKM, incluidos el selenio, el sodio, la humedad, la vitamina B12, la vitamina B6 y la vitamina E.
• Las mezclas dietéticas de nutrientes demostraron una asociación inversa con el riesgo de progresión de la CKM en etapa tardía.

Conclusiones:

• La ingesta habitual de nutrientes dietéticos, particularmente selenio, sodio y humedad, está inversamente asociada con la progresión del síndrome de CKM en etapa tardía en individuos con envejecimiento acelerado.
• Los modelos de aprendizaje automático, específicamente LightGBM y Random Forest, ofrecen una predicción precisa del riesgo de progresión de CKM.
• Investigaciones adicionales sobre intervenciones nutricionales específicas pueden ser beneficiosas para el manejo del síndrome de CKM en poblaciones de envejecimiento.