机器学习方法从英国生物银行中的生物标志物预测酒精消费
medRxiv : the preprint server for health sciences
|January 7, 2025
概括
机器学习模型使用生物标记器准确地预测酒精消费,为自我报告提供了一种补充方法,用于识别大量饮酒者. 可解释的人工智能突出了风险评估的关键生物标志物.
科学领域:
- 生物标志物和健康分析
- 机器学习在公共卫生中的应用
- 遗传学和生活方式因素
背景情况:
- 准确的酒精消耗 (AC) 测量对公共健康至关重要.
- 传统的方法,如自我报告和采访,都有局限性.
- 生物标记提供了一个对AC估计的补充方法.
研究的目的:
- 为了评估机器学习 (ML) 使用血液和尿液生物标志物的AC预测.
- 为了比较五个ML模型在预测酒精摄入量的表现.
- 评估生物标志物的实用性,以提高AC预测的准确性.
主要方法:
- 使用英国生物库数据进行分析.
- 采用了五种ML模型:拉索,里奇,GBM,MBOOST和XGBOOST.
- 预测的酒精消费 (每周饮料-DPW) 和相关的表型.
主要成果:
- 所有ML模型都实现了DPW的中度预测 (r2=0.304-0.356).
- 与单独的共变量相比,生物标志物显著提高了预测准确性 (r2=0.105).
- XGBOOST表现最好 (r2=0.356) 并准确识别了大量饮酒者.
结论:
- 基于ML的生物测量可以识别有严重AC风险的个体.
- 这种方法补充了传统方法,减轻了自我报告偏见.
- 可解释的人工智能确定了与酒精消费相关的关键生物标志物.
