探索纤维扫描用于预测和评估代谢综合征的潜在性能,使用机器学习的特征选择策略
Kuan-Lin Chiu1, Yu-Da Chen1, Sen-Te Wang1,2,3
1Department of Family Medicine, Taipei Medical University Hospital, Taipei 110301, Taiwan.
Metabolites
|July 29, 2023
概括
控制减弱参数 (CAP) 评分,非侵入性测量,显示确定代谢综合征 (MetS) 的希望. 机器学习模型表明,CAP是早期MetS检测的关键生物标志物.
科学领域:
- 肝病学 肝病学是一种肝病学.
- 心脏病学 心脏病学
- 数据科学数据科学数据科学
背景情况:
- 代谢综合征 (MetS) 会增加心血管疾病的风险.
- 非酒精性脂肪性肝病 (NAFLD) 是MetS的肝脏表现,也是肝硬化的主要原因.
- 纤维扫描 (FibroScan®) 提供使用CAP和LSM得分进行肝硬化和纤维化的非侵入性评估.
研究的目的:
- 评估使用控制减弱参数 (CAP) 评分与机器学习 (ML) 进行代谢综合征 (MetS) 检测的可行性.
- 通过ML和递归特征消除 (RFE) 来确定用于预测MetS最重要的生物标志物.
主要方法:
- 应用多个机器学习模型与递归特征消除 (RFE) 算法.
- 对受控减弱参数 (CAP) 和肝硬度测量 (LSM或E) 评分的分析.
- 通过ANOVA测试,在各种CAP和E分数级别中识别显著症状.
主要成果:
- 所有八种ML模型都取得了超过0.9.9的精度得分.
- 树袋和随机森林模型显示了最高的卡帕值 (0.6439和0.6533).
- 在7个ML模型中,CAP分数被确定为最重要的变量.
结论:
- 使用RFE的机器学习模型证明了使用CAP分数来识别METS患者的潜在可行性.
- 将CAP分数与其他重要的生物标志物结合起来,可能能够早期检测和预测MetS.
