基于机器学习的维生素D缺乏的预测:NHANES 2001-2018年
Jiale Guo1, Qionghan He2, Yehai Li1
1Department of Orthopedics, Chaohu Hospital of Anhui Medical University, Hefei, China.
Frontiers in endocrinology
|March 7, 2024
概括
一个新的机器学习工具使用简单的采访数据准确预测维生素D缺乏风险. 这个XGBoost模型识别了高风险个体,有助于对这种普遍存在的缺陷进行早期干预.
科学领域:
- 公共卫生 公共卫生
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 维生素D缺乏是一个全球性的健康问题,与许多疾病有关.
- 识别患维生素D缺乏的高风险个体至关重要.
- 缺乏针对社区人口的现有预测工具.
研究的目的:
- 开发和验证用于预测维生素D缺乏风险的机器学习模型.
- 为了风险预测,利用社区采访中容易获得的数据.
- 创建一个实用的工具来识别处于风险的人群.
主要方法:
- 使用了2001-2018年国家健康和营养检查调查 (NHANES) 数据集.
- 采用机器学习算法,包括XGBoost,随机森林和支持矢量机器.
- 使用AUC,精度和F1得分等指标验证模型性能,并使用SHAP值进行解释.
主要成果:
- XGBoost模型在预测维生素D缺乏方面表现出卓越的表现.
- 发现的关键预测因素包括种族,年龄和体重指数 (BMI).
- 研究中很大一部分人群 (32.1%) 缺乏维生素D.
结论:
- 开发的基于XGBoost的预测工具对社区人口非常准确和有效.
- 这种工具可以促进对维生素D缺乏的快速和简单的风险评估.
- 这些发现支持在公共卫生查中使用机器学习.
