通过使用机器学习模型的非侵入性方法,轻松且经济有效地识别代谢综合征
Wei Xu1, Zikai Zhang2, Kerong Hu1
1Department of Endocrinology and Metabolism, Tongji Hospital, School of Medicine, Tongji University, Shanghai, People's Republic of China.
概括
机器学习模型使用非侵入性数据准确识别了代谢综合征 (MetS). 这提供了一种具有成本效益和敏感的方法,用于广泛早期查MetS.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 公共卫生查 公共卫生查
背景情况:
- 代谢综合征 (MetS) 是一个重大的全球健康挑战.
- 早期识别和干预对于管理MetS及其并发症至关重要.
- 目前的查方法可能是侵入性的或昂贵的,限制了大规模的应用.
研究的目的:
- 开发和验证机器学习 (ML) 模型,以早期和低成本识别 MetS.
- 在接受体检的大量人群中利用非侵入性因素来检测MetS.
- 为了建立一个方便和具有成本效益的工具,用于MetS查.
主要方法:
- 利用了来自9171名接受体检的参与者的数据.
- 收集的非侵入性因素:性别,年龄,BMI,静缩血压 (SBP) 和静缩血压 (DBP).
- 训练并评估多个ML模型,包括后勤回归,k-NN,天真贝叶斯式 (NB),决策树,随机森林,ANN和SVM.
主要成果:
- 大多数ML模型在10倍交叉验证中表现良好.
- 在外部验证中,NB模型获得了最高的性能.
- NB模型报告AUC为0.976,准确度为0.923,灵敏度为98.32%,特异性为91.32%.
结论:
- 提出了一种基于ML的新型非侵入性方法,用于早期MetS识别.
- 该NB模型显示出作为一种高度敏感且具有成本效益的工具,具有很大的潜力,用于大规模的MetS查.
- 这种方法可以方便且经济地对代谢综合征进行查.
