機械学習を用いた電子健康記録データからの高脂肪食パターンの推定

科学分野:

• 計算疫学
• 生物医学情報学
• 栄養科学

背景:

• 電子健康記録（EHR）には詳細な食事情報が欠けており、食事-疾患研究を妨げています。
• 食事パターンの計算可能な表現型を開発することは、EHRデータの活用にとって重要です。

研究 の 目的:

• 標準的な電子健康記録変数を使用して高脂肪食（HFD）を特定するための機械学習（ML）計算可能な表現型を開発すること。
• MLから派生した食事表現型の疫学的妥当性および臨床的関連性を評価すること。

主な方法:

• 24時間食事記録を正解データとして使用し、国民健康栄養調査（NHANES）データ（1999-2020）を利用しました。
• EHR互換変数を使用して機械学習モデル（Extreme Gradient Boosting、ロジスティック回帰、ランダムフォレスト）をトレーニングしました。
• F1スコア、リコール、および精度を使用してモデルのパフォーマンスを評価し、がんとの関連性を比較して臨床的関連性を評価しました。

主要な成果:

• ランダムフォレストモデルはカットオフ20でF1スコア0.79を達成し、機械学習モデルは高脂肪食を効果的に分類しました。
• 高脂肪食の主要な予測因子には、人種/民族、トリグリセリド、肥満指標、および代謝パネルの結果が含まれていました。
• 機械学習から派生した表現型は、既知の食事-疾患関係を再現し、疫学的妥当性を示しました。

結論:

• 機械学習ベースの表現型を使用して、日常的に利用可能な電子健康記録変数から食事パターンを推定できます。
• このスケーラブルなアプローチにより、食事情報を電子健康記録ベースの研究および精密医療に統合できます。
• 特定された予測因子は、食事、肥満、代謝、およびがんリスクを関連付ける生物学的経路と一致しています。