可解释的机器学习框架可以预测与食纤维和甘油三糖指数相关的痛风
1Pediatric Endocrinology, Genetics and Metabolism, The Second Affiliated Hospital, Yuying Children's Hospital of Wenzhou Medical University, Wenzhou, 325000, Zhejiang, China.
Nutrition & metabolism
|May 14, 2024
概括
一个可解释的机器学习模型有效地使用食纤维和甘油三糖 (TyG) 指数预测痛风风险. 降低TyG指数和增加纤维摄入量可以帮助降低痛风风险.
科学领域:
- 生物统计学 生物统计学
- 机器学习 机器学习
- 营养流行病学 营养流行病学
背景情况:
- 痛风预测对于个性化预防和治疗策略至关重要.
- 机器学习 (ML) 模型为准确的痛风风险评估提供了潜力.
- 需要可解释的模型来了解影响痛风发展的因素.
研究的目的:
- 开发一个高效和可解释的ML模型用于痛风预测.
- 为了研究食纤维,甘油三糖 (TyG) 指数和痛风风险之间的关联.
- 为了利用SHapley添加式扩展 (SHAP) 来实现模型的解释性.
主要方法:
- 使用了国家健康和营养检查调查 (NHANES) 数据 (2005-2018).
- 评估了六个ML模型,选择光梯度增强机 (LGBM) 为最佳.
- 采用SHAP来解释LGBM模型对痛风的预测.
主要成果:
- 最终的研究包括了12645名参与者.
- 该LGBM模型显示出强大的预测性能 (AUC:0.823,准确率:95.3%).
- 确定的主要预测因素是年龄,尿酸,食纤维和TyG指数;较低的纤维和较高的TyG指数增加了积极的痛风预测.
结论:
- 一个可解释的LGBM模型准确有效地预测了痛风风险.
- 食纤维摄入量和TyG指数是痛风风险的重要可改变因素.
- 增加食纤维和降低TyG指数可能会降低痛风风险.
