针对老年人长期糖尿病风险评估的定制机器学习:爱尔兰老龄化纵向研究 (TILDA) 的研究结果

科学领域:

• 流行病学 流行病学
• 计算健康 计算健康
• 生物统计学 生物统计学

背景情况:

• 全球糖尿病患病率正在上升,增加疾病负担和医疗保健成本.
• 早期识别和干预对于管理糖尿病至关重要.
• 预测建模为早期糖尿病风险评估提供了一个有希望的方法.

研究的目的:

• 开发和验证用于早期糖尿病风险预测的机器学习模型.
• 确定导致糖尿病风险的主要人口,社会,财务和健康因素.
• 提高对糖尿病高风险个体的早期检测.

主要方法:

• 一项前性队列研究,涉及50岁以上的8504名爱尔兰成年人.
• 通过调查收集了超过4万个变量的数据.
• 训练和组合多个机器/深度学习算法 (例如,随机森林,深度神经网络).
• 使用AUC,日志损失和RMSE等指标进行模型评估.
• 使用夏普利添加式解释 (SHAP) 解释模型预测.

主要成果:

• 在2年后,105个基线特征被确定为重要的糖尿病风险预测因素.
• 关键预测因素包括性别,低密度脂蛋白胆固醇和肝硬化.
• 性能最好的模型表现出高精度 (AUC 0.854) 和稳定性.
• 该模型是精心校准的,SHAP为其决策提供了可解释的见解.

结论:

• 开发的机器学习模型准确地预测了老年人糖尿病风险.
• 医生可以利用这种模型来早期识别高风险患者.
• 基于模型预测的有针对性的干预措施可以帮助减少糖尿病发病率.