机器学习增强算法的开发和验证,用于在社区和初级保健机构评估胰岛素敏感性:中国的一项基于人口的研究

科学领域:

• 生物医学信息学 生物医学信息学
• 心血管医学 心血管医学
• 内分泌学 在内分泌学.

背景情况:

• 胰岛素抵抗 (IR) 是心脏代谢疾病的一个关键因素.
• 准确的胰岛素敏感性评估对于预防和治疗与胰岛素敏感性相关的疾病至关重要.
• 当前的评估方法可能不适用于社区和初级保健机构.

研究的目的:

• 开发和验证用于胰岛素敏感性评估的机器学习 (ML) 增强算法.
• 为社区和初级保健机构创建IR查的实用工具.
• 使用ML识别胰岛素敏感性的关键预测因素.

主要方法:

• 对来自REACTION研究队列的9358名参与者的分析.
• 使用最多87个变量开发非集成和集成ML模型.
• 使用AUROC,AUPR和Brier分数对模型性能进行评估.
• 使用SHAP分析的特征重要性和模型可解释性.

主要成果:

• 轻GBM模型在社区 (AUROC 0.794) 和初级保健 (AUROC 0.867) 设置中表现出卓越的性能.
• 使用前20个特征的简化模型保持了出色的预测准确性.
• 关键预测因素包括禁食血葡萄糖,腰围,BMI和甘油三.

结论:

• ML模型,特别是LightGBM,在预测胰岛素敏感性方面非常有效.
• 这些算法为社区和初级保健中IR评估提供了潜在的实用和准确的工具.
• 开发的模型可以帮助早期检测和管理与IR相关的疾病.