基于机器学习的绝经前妇女代谢综合征风险预测模型
Wang Xiaoxue1, Wang Zijun1, Chen Shichen2
1Department of Obstetrics and Gynecology, Peking University Ninth School of Clinical Medicine, Beijing Shijitan Hospital, Beijing 100038, China.
International journal of medical informatics
|May 16, 2024
概括
机器学习模型可以准确地预测绝经前妇女的代谢综合征 (MetS). 早期识别MetS风险因素,如腰围和禁食血糖,有助于预防.
科学领域:
- 心血管健康 心血管健康
- 内分泌学 在内分泌学.
- 机器学习在医学中的应用
背景情况:
- 代谢综合征 (MetS) 是心脏代谢健康的关键指标,与动脉样硬化和2型糖尿病有关.
- 绝经后妇女的MetS发病率显著上升,这使得绝经前期对于预防至关重要.
- 在绝经前妇女中,早期发现MetS风险对于及时干预至关重要.
研究的目的:
- 开发和评估机器学习模型,以预测两年内在绝经前妇女中MetS的发展.
- 通过使用可解释的AI技术,在这个人口群体中识别导致MetS的关键风险因素.
主要方法:
- 利用了2,254名年龄在45-55岁之间的女性的健康检查数据.
- 应用逆向选择,从26个提取的变量中确定前10个预测特征.
- 训练并比较了极端梯度提升 (XGBoost),随机森林 (RF),多层感知器 (MLP) 和后勤回归 (LR) 模型.
- 通过AUC,准确性,精度,回忆和F1得分来评估模型性能;用于风险因素分析的SHAP值.
主要成果:
- 射频和XGBoost显示出最高的预测准确度,AUC分别为0.96和0.95.
- XGBoost获得了最高的F1分数 (0.77),这表明精度和回忆之间有很强的平衡.
- 通过SHAP分析确定的关键预测因素包括腰围,禁食血糖,高密度胆固醇,甘油三和透气血压.
结论:
- 开发了一种强大的机器学习模型,用于针对性地预测绝经前妇女的MetS风险.
- 该模型有助于早期识别高风险 MetS 个体.
- 早期风险识别支持个性化健康管理和更广泛的公共卫生战略.
