使用机器学习来预测成人体重增加:来自我们所有人的观察分析研究计划的观察分析

科学领域:

• 公共卫生 公共卫生
• 生物医学信息学 生物医学信息学
• 机器学习 机器学习

背景情况:

• 肥胖 (体重指数≥30kg/m2),在美国是一个重要的公共卫生问题,需要有效预测体重增加风险.
• 目前的预防策略受到无法准确识别最容易增加体重的个体的阻碍.
• 国家卫生研究院 (NIH) 的"我们所有人"数据集为开发预测模型提供了宝贵的资源.

研究的目的:

• 开发和评估机器学习模型,在2年内预测显著的体重增加 (≥10%的总体重).
• 评估是否结合行为调查数据可以提高这些模型的预测性能,而不是仅仅使用电子健康记录数据.
• 测试结合数据源产生优越体重增长预测的假设.

主要方法:

• 使用了NIH我们所有人的数据集,包括人口统计,生命体征,实验室结果和调查数据 (AUDIT,PROMIS分数).
• 开发了Elastic Net和XGBoost机器学习模型,预测2年内总体体重增加≥10%.
• 采用了60%的培训和40%的测试数据分割,对参数调整进行了10倍的交叉验证,并使用接收器操作特征曲线 (AUC) 下的面积来比较模型性能.

主要成果:

• 研究队列包括34,715名18至70岁的成年人;10.4%的人在2年内增加了≥10%的总体重.
• XGBoost 模型实现了 0.706 的 AUC,而 Elastic Net 则实现了 0.677,这表明预测性能不佳.
• 包括行为调查数据并没有显著提高机器学习模型的预测准确度.

结论:

• 机器学习模型在预测2年体重增加方面表现不佳,但采用调查数据并没有显著改善.
• 未来的研究应该探索我们所有人的数据集中的其他变量,例如基因组数据,以潜在地提高预测模型的准确性.
• 准确预测体重增加仍然是一个挑战,强调需要进一步研究预测因素和方法.