对糖尿病微血管并发症的机器学习模型的开发和外部验证:用代谢物进行横截面研究
Feng He1,2, Clarissa Ng Yin Ling1, Simon Nusinovici1,3
1Singapore Eye Research Institute, Singapore National Eye Centre, Singapore, Singapore.
Journal of medical Internet research
|March 28, 2024
概括
机器学习确定了糖尿病持续时间,胰岛素使用,年龄和氨酸作为糖尿病病和视网膜病变的关键指标. 这种方法提高了疾病检测超出传统的风险因素.
科学领域:
- 生物医学数据科学是生物医学数据科学.
- 代谢学 代谢学 代谢学
- 糖尿病学 糖尿病学
背景情况:
- 糖尿病病 (DKD) 和糖尿病视网膜病变 (DR) 是糖尿病的显著微血管并发症.
- 脏和眼睛共享类似的微血管结构,使它们易受糖尿病期间类似的代谢变化.
研究的目的:
- 用机器学习 (ML) 和亚洲人口中的代谢数据来识别DKD和DR的生物标志物.
- 改进DKD和DR检测模型,将ML纳入传统风险因素之外的ML.
主要方法:
- 利用了来自新加坡眼病流行病学研究 (n=2772) 的数据的ML算法 (用LASSO进行后勤回归,渐变增强决策树).
- 分析了220种循环代谢物和19种风险因素,以确定DKD和DR的关键变量.
- 使用英国生物银行数据集 (n=5843) 开发并通过外部验证的DKD和DR检测模型.
主要成果:
- 确定了糖尿病持续时间,胰岛素使用,年龄和氨酸作为DKD和DR的关键因素.
- 此外,DKD与心血管疾病史,抗高血压药物的使用和特定代谢物 (乳酸盐,酸盐,IDL胆固醇与总脂质的比率) 相关.
- DR与HbA1c,血糖,脉冲压和阿兰因相关;ML模型在内部和外部验证中都超过了传统的后勤回归.
结论:
- 糖尿病的持续时间,胰岛素的使用,年龄和氨酸对于检测DKD和DR至关重要.
- 将ML与大生物医学数据集成,有助于生物标志物的发现,并提高疾病检测的有效性.
