使用多种液体生物标志物来预测糖尿病和高血压的同时发生,使用机器学习方法

科学领域:

• 生物医学科学 生物医学科学
• 计算生物学 计算生物学
• 临床医学 临床医学

背景情况:

• 糖尿病和高血压的共存使疾病管理复杂化,增加了医疗保健负担.
• 早期发现这些并发症对于个性化预防治疗至关重要.
• 液体生物标志物为设计有效治疗策略提供了潜在的诊断工具.

研究的目的:

• 使用液体生物标志物,区分糖尿病患者与同时存在糖尿病和高血压 (DHC) 患者.
• 为了确定关键的流体生物标志物,表明伴随性疾病的情况.
• 评估机器学习技术在分类这些条件中的有效性.

主要方法:

• 利用公开可用的糖尿病 (N=105) 和DHC (N=57) 患者的数据集.
• 提取和统计分析的特征包括静缩血压,禁食血糖,静缩血压和总胆固醇.
• 应用合成少数群体过量采样技术 (SMOTE) 用于数据平衡.
• 使用的机器学习分类器:线性差异分析 (LDA),随机森林,K-最近邻居 (KNN) 和线性支向量机器 (SVM).

主要成果:

• 系统性血压,透气性血压和总胆固醇在DHC组被发现是升高的.
• 这些高的生物标志物在糖尿病和DHC组之间显示了统计学意义 (p<0.001).
• 通过使用过量采样技术,成功解决了数据不平衡问题.
• 在区分这两种条件时,LDA获得了61.2%的最大分类准确率.

结论:

• 像血压和胆固醇水平这样的液体生物标志物可以帮助区分糖尿病和DHC疾病.
• 机器学习方法在预测并发症条件方面表现有前途.
• 这项研究为未来关于疾病进展和生物标志物发现的研究提供了基础.