基于非实验室参数和肌肉力量影响的非实验室参数识别未诊断糖尿病的不同机器学习算法的性能:一个横截面研究
Ying Xu1, Shanhu Qiu2, Jinli Ye3
1Department of Endocrine Metabolism, The First People's Hospital of Yunnan Province, The Affiliated Hospital of Kunming University of Science and Technology, Kunming, China.
Journal of diabetes investigation
|March 5, 2024
概括
人工神经网络 (ANN) 模型最能在中国成年人中识别未诊断的糖尿病. 添加肌肉强度测试并没有提高ANN模型用于糖尿病识别的准确性.
科学领域:
- 医疗信息学 医疗信息学
- 公共卫生 公共卫生
- 生物统计学 生物统计学
背景情况:
- 机器学习模型越来越多地用于疾病识别.
- 人工神经网络 (ANN),支持向量机器,天真贝叶斯式和逻辑回归是糖尿病检测的常见算法.
- 识别未诊断的糖尿病对于及时干预和管理至关重要.
研究的目的:
- 为了比较四个机器学习算法的性能,在中国成年人中识别未被诊断的糖尿病.
- 为了确定肌肉强度指标是否在添加到这些模型时提供增量价值.
主要方法:
- 一项涉及4,482名中国成年人的横截面研究.
- 参与者被随机分配到训练 (n=3,586) 和测试 (n=896) 数据集.
- 使用口服葡萄糖耐受性测试确定未诊断的糖尿病;通过手握和椅子站测试评估肌肉力量.
主要成果:
- 这四种机器学习算法都表现出可接受的区分能力 (AUC > 0.70).
- 该ANN方法实现了最高的AUC (0.806) 识别未诊断的糖尿病.
- 纳入肌肉强度测量并没有显著提高ANN模型的性能 (P > 0.05).
结论:
- 在中国成年人中,ANN模型是识别未诊断糖尿病的高效工具.
- 肌肉强度评估虽然是一个相关的健康指标,但似乎没有提高ANN模型在这个队列中检测糖尿病的预测准确性.
