在大量人群中使用数据挖掘算法评估人类指数与总胆固醇的关联

科学领域:

• 心血管健康 心血管健康
• 生物统计学 生物统计学
• 医疗信息学 医疗信息学

背景情况:

• 失脂症的特征是血清总胆固醇 (TC) 水平不平衡,这对健康构成重大风险.
• 人类测量指数为人体组成和与肥胖相关的健康问题提供了宝贵的见解.
• 机器学习模型越来越多地用于基于临床数据预测健康结果.

研究的目的:

• 评估新型人体指数对波斯人群中总胆固醇 (TC) 水平的预测能力.
• 为了比较随机森林 (RF),决策树 (DT) 和后勤回归 (LR) 模型在预测TC的有效性.
• 通过性别分层分析,确定与高TC水平相关的关键人体指标.

主要方法:

• 采用了9639名参与者的数据集,测量了人类参数并收集了人口统计和实验室数据.
• 采用机器学习算法,包括决策树 (DT),物流回归 (LR) 和随机森林 (RF) 来构建TC的预测模型.
• 进行了性别分层分析,以评估不同模型的性能,并确定重要的预测因素.

主要成果:

• 脂质积累产品 (LAP) 在男性和女性中对TC风险产生了最显著的影响.
• 随机森林 (RF) 模型确定了内脏肥胖指数 (VAI) 和LAP作为男性的关键预测指标.
• 决策树 (DT) 分析为分类高或低TC风险建立了特定的人类学值,VAI和LAP对两种性别都是关键.

结论:

• 这项研究强调了特定的人类测量因素与波斯人群中总胆固醇水平之间的关联.
• 不同的人类指数对TC具有不同程度的预测能力,这凸显了针对性风险评估的必要性.
• 这些发现表明,LAP和VAI的实用性是预测这种人口群体中失脂症风险的重要指标.