人口統計学的、臨床的、ライフスタイル、身体測定学的、および環境曝露要因を用いた糖尿病分類のための機械学習モデルの評価

背景:

• 糖尿病は、臨床的、代謝的、ライフスタイル、人口統計学的、および環境的要因の影響を受ける複雑な疾患です。
• 現在の糖尿病分類モデルは、主に生物医学的指標に依存しており、環境曝露バイオマーカーを見落としていることがよくあります。
• 糖尿病の発症を包括的に理解するためには、多様なデータソースを統合することが不可欠です。

研究 の 目的:

• 医師診断による糖尿病の教師あり機械学習分類フレームワークを開発および評価すること。
• 人口統計学的、身体測定学的、臨床的、および行動的特徴に環境曝露バイオマーカーを統合することの影響を評価すること。
• 国民健康栄養調査（NHANES）データを使用して、8つの異なる教師あり分類器のパフォーマンスを比較すること。

主な方法:

• 18歳以上の成人を対象に、NHANES 2017-2018年のデータを使用しました。
• 欠損データは、Chained Equationsによる多重代入（MICE）を使用して処理し、Synthetic Minority Oversampling Technique（SMOTE）でクラスの不均衡を修正しました。
• 層化された10分割交差検証と独立した80/20ホールドアウトセットを使用して、8つの教師あり分類器を評価しました。

主要な成果:

• データ前処理後、ランダムフォレストとXGBoostは、それぞれ0.891と0.885のROC AUC値で優れたパフォーマンスを示しました。特徴量の重要性分析では、年齢、世帯収入、および腹囲が主要な予測因子であることが強調されました。XGBoostは最も高い全体的な精度とF1スコアを達成し、ランダムフォレストはアウトオブサンプル評価で最大の感度を示しました。

結論:

• 環境曝露バイオマーカーを組み込むことは、医師診断による糖尿病の分類パフォーマンスを大幅に向上させます。
• 本研究の結果は、人口レベルの糖尿病リスク層別化に化学物質曝露変数を含めることを支持しています。
• 環境データを含む異種特徴セットを統合することは、機械学習ベースの健康リスク評価に価値があります。