混合效应神经网络建模用于预测空腹血葡萄糖的纵向趋势

科学领域:

• 生物统计学 生物统计学
• 机器学习 机器学习
• 内分泌学 在内分泌学.

背景情况:

• 准确预测禁食血葡萄糖 (FPG) 趋势对于管理2型糖尿病 (T2DM) 至关重要.
• 传统的线性混合效应 (LME) 模型难以处理复杂的非线性数据,而机器学习 (ML) 模型往往忽略了随机效应.
• 需要将LME和ML的优势整合在一起的模型来改进FPG预测.

研究的目的:

• 开发和评估用于预测T2DM患者FPG水平的新型模型.
• 将LME和反向传播神经网络 (BPNN) 方法结合成一个混合模型 (LMENN).
• 将LMENN模型的预测性能与独立的LME和BPNN模型进行比较.

主要方法:

• 利用779名T2DM患者的数据,分为培训 (80%) 和测试 (20%) 组.
• 随机森林 (RF) 查确定了前10个预测特征 (HOMA-β,HbA1c,HOMA-IR,尿糖,胰岛素,BMI,腰围,体重,年龄,群体).
• 建立了一个LME模型,接下来是多个BPNN模型,最后是使用堆叠的集成LMENN模型. 使用10倍交叉验证和测试集来评估性能.

主要成果:

• 最适合的LME模型表明,基线葡萄糖水平影响了随后的测量,随着时间的推移趋势一致.
• LMENN模型有效地结合了LME和BPNN,考虑了随机效应并提高了预测准确性.
• LMENN实现了0.447-0.471 (培训),0.525-0.552 (验证) 和0.511-0.565 (测试组) 的根平均平方误差 (RMSE) 范围,优于单个模型的表现.

结论:

• 集成的LMENN模型为分析T2DM中纵向FPG监测数据提供了一个有希望的方法.
• 这项研究提出了创新的方法来提高血糖预测的准确性.
• 在临床实践中,LMENN模型对个性化糖尿病管理有潜在的应用.