可解释的基于机器学习的预测模型用于糖尿病病
Jing-Mei Yin1, Yang Li2, Jun-Tang Xue2
1School of Mathematics and Computational Science Xiangtan University, Xiangtan, Hunan, China.
Journal of diabetes research
|January 29, 2024
概括
这项研究确定了影响糖尿病病 (DN) 的关键血清代谢物,并开发了一个用于预测糖尿病病的机器学习模型. 极端梯度增强 (XGB) 模型在选DN时显示出高精度.
科学领域:
- 代谢学 代谢学 代谢学
- 医疗保健中的机器学习
- 腎病學研究 腎病學研究
背景情况:
- 糖尿病病 (DN) 是糖尿病的一个主要并发症,导致损伤.
- 早期发现和预测DN对于有效管理至关重要.
- 血清代谢物为疾病预测提供了潜在的生物标志物.
研究的目的:
- 为了研究血清代谢物和糖尿病病之间的关联.
- 开发和评估用于预测DN流行率的机器学习模型.
- 为了确定DN的潜在血清代谢物生物标志物.
主要方法:
- 利用了来自大连医学大学第二附属医院的548名患者的数据集.
- 采用绝对最小收缩和选择操作员 (LASSO) 回归来进行特征选择,确定了38个最佳特征.
- 使用AUC-ROC,决策和校准曲线比较了四种机器学习算法 (XGBoost,随机森林,决策树,物流回归).
- 应用沙普利添加式解释 (SHAP) 来量化特征重要性和相互作用.
主要成果:
- 极端梯度增强 (XGB) 模型获得了最高的性能,DN查的AUC值为0.966.
- 与其他算法相比,XGB模型表现出卓越的临床净益处和更好的匹配.
- 在血清代谢物和糖尿病持续时间之间观察到显著的相互作用.
- 特定的代谢物 (C2,C5DC,Tyr,Ser,Met,C24,C4DC,Cys) 被确定为预测模型的重要贡献者.
结论:
- 一个基于XGB的机器学习模型有效地选糖尿病病.
- 已识别的血清代谢物,包括C2,C5DC,Tyr,Ser,Met,C24,C4DC和Cys,显示出作为DN的潜在生物标志物具有前景.
- 这些发现强调了代谢学和机器学习在推进DN预测和管理方面的实用性.
