对2型糖尿病患者的潜在生物标志物设置范围 通过性别早期检测 - - 采用机器学习算法的方法
Jorge A Morgan-Benita1, José M Celaya-Padilla1, Huizilopoztli Luna-García1
1Unidad Académica de Ingeniería Eléctrica, Universidad Autónoma de Zacatecas, Jardín Juárez 147, Zacatecas 98000, Mexico.
Diagnostics (Basel, Switzerland)
|August 10, 2024
概括
机器学习模型识别了关键的非葡萄糖生物标志物,如血压和甘油三,用于早期检测2型糖尿病 (T2DM). 该研究强调了这些标记物的性别特异性差异,改善了诊断潜力和个性化护理.
科学领域:
- 内分泌学和代谢性疾病.
- 计算生物学和机器学习
- 公共卫生和流行病学
背景情况:
- 2型糖尿病 (T2DM) 是一个全球性的健康挑战,需要及早检测以预防并发症.
- 现有的诊断工具通常依赖于葡萄糖水平,需要探索替代生物标志物.
- 了解T2DM风险因素的性别差异可以提高诊断准确度.
研究的目的:
- 通过机器学习识别用于早期T2DM检测的非葡萄糖相关的临床和人类生物标志物.
- 调查男性和女性之间的这些生物标志物的核心差异,以预测T2DM.
- 开发和比较机器学习模型,以进行可靠的T2DM风险评估.
主要方法:
- 利用来自T2DM患者和对照组的临床和人类学变量的数据集.
- 应用特征选择技术,包括递归特征消除 (RFE),LASSO和遗传算法 (GA).
- 对比了五种机器学习模型 (LR,ANN,SVM,KNN,Nearcent) 和一个集成方法来预测性能.
主要成果:
- 系统性血压 (SBP) 和甘油三与T2DM有显著的关联.
- 甘油三,胆固醇和透气血压在T2DM患者中显示出明显的性别特异性差异.
- 随机森林 (RF) 模型的RFE在T2DM预测中实现了最高准确度 (0.8820).
结论:
- 机器学习有效地识别了早期T2DM检测的非葡萄糖生物标志物,揭示了新的性别特异性配置文件.
- 这些发现可以通过考虑性别之间的人类学和临床差异来改善个性化的T2DM管理.
- 建议对不同种群进行进一步验证,以确认这些生物标志物的实用性.
