探索机器学习在预测代谢表型方面的诊断性能,重点关注甲状腺功能

科学领域:

• 内分泌学 在内分泌学.
• 计算生物学 计算生物学
• 公共卫生 公共卫生

背景情况:

• 甲状腺功能对于代谢健康至关重要.
• 了解与甲状腺功能相关的代谢表型需要先进的分析方法.
• 国家健康和营养检查调查 (NHANES) 提供了有价值的人口健康数据.

研究的目的:

• 使用甲状腺功能数据预测代谢表型.
• 通过机器学习识别甲状腺功能和代谢表型之间的关联.
• 为此预测任务评估各种机器学习模型的性能.

主要方法:

• 使用了包括人口统计和实验室参数在内的NHANES数据 (2007-2012).
• 应用机器学习模型:多项物流回归,神经网络,随机森林,增强树木,K近邻.
• 纳入随机森林模型的变量重要性分析.

主要成果:

• 多项逻辑回归实现了最高的接收器运行特征曲线 (AUROC) 下面面积为0.818.
• 神经网络 (AUROC: 0.814) 和随机森林 (AUROC: 0.811) 也表现出强大的预测性能.
• 随机森林发现的关键变量包括胰岛素耐药性 (静止模式评估),尿酸,白蛋白和甲状腺激素比率.

结论:

• 机器学习模型显示出在解读甲状腺功能和代谢健康之间的复杂关系方面具有重大潜力.
• 对采样重量进行核算,并纳入额外的变量,可以提高在调查数据分析中的模型准确性.
• 建议进行进一步的研究,整合先进的方法,以获得强大的调查数据洞察力.