基于物理因素的机器学习分类器模型用于预测老年人肉病的预测.

科学领域:

• 老年学是一门学科.
• 生物医学信息学 生物医学信息学
• 肌肉骨健康 肌肉骨健康

背景情况:

• 全球人口老龄化正在经历肌肉骨疾病的增加,特别是肉症.
• 目前用于诊断肉类的诊断方法,包括成像技术,可能是资源密集的.
• 机器学习方法正在成为预测肉症的有希望的工具.

研究的目的:

• 在60岁及以上的个体中开发一种对肉类的预测模型.
• 利用物理特征和与活动相关的变量进行预测,避免需要医疗成像设备.
• 评估各种机器学习算法在萨科佩尼亚预测中的性能.

主要方法:

• 使用了来自韩国国家健康和营养检查调查的公共数据.
• 使用逻辑回归,支持矢量机 (SVM),XGBoost,LightGBM,RandomForest和多层感知神经网络 (MLP) 算法构建了 Sarcopenia 预测模型.
• 对模型的特征重要性进行了分析,不包括SVM和MLP.

主要成果:

• 光GBM算法产生了最高的测试准确性,达到0.848.8.
• 关键的预测变量包括身体特征,如体重指数,体重和腰围.
• 与活动相关的变量也对该模型的预测能力做出了重大贡献.

结论:

• 仅基于身体和活动因素的肉类症预测模型显示出高性能.
• 该模型显示了在老年人群中早期发现肉类的潜力,特别是在资源有限的环境中.
• 这些发现支持使用可访问的数据来查萨科佩尼亚.