使用贝叶斯优化和XGBoost的代谢综合征预测模型基于传统中国医学特征

科学领域:

• 综合医学是一个整体的医学.
• 计算生物学 计算生物学
• 公共卫生 公共卫生

背景情况:

• 代谢综合征 (MetS) 很普遍,并导致并发症.
• 目前的诊断方法 (血液测试) 对于自检并不友好.
• 早期检测和干预对于管理MetS至关重要.

研究的目的:

• 开发一个用户友好和准确的预测模型,用于 MetS.
• 为了研究贝叶斯优化 (BO) 和极端梯度提升 (XGBoost) 的融合,用于MetS预测.
• 为MetS自我诊断创建一个智能应用程序.

主要方法:

• 利用了来自2040名患者的电子病历数据.
• 开发了一个BO-XGBoost模型来选19个关键特征 (生物信息,TCM指标,TCM习惯).
• 将拟议的模型与其他七种机器学习模型进行比较.

主要成果:

• 该BO-XGBoost模型实现了高性能指标:F1 (93.35%),灵敏度 (90.67%),FRS (80.40%),以及AUC (0.920).
• 拟议的模型表现优于其他七个测试的机器学习模型.
• 成功开发了一种用于MetS自我诊断的智能预测应用程序.

结论:

• 开发的BO-XGBoost模型为MetS预测提供了一个有希望,准确和用户友好的方法.
• 智能应用程序通过自我诊断促进了早期MetS检测和干预.
• 这项研究强调了整合TCM指标和机器学习用于代谢疾病管理的潜力.