机器学习驱动的代谢综合征预测:国际队列验证研究

科学领域:

• 计算生物学是一种计算生物学.
• 流行病学 流行病学
• 生物统计学 生物统计学

背景情况:

• 代谢综合征 (MetS) 是一个重大的全球健康挑战.
• 准确预测MetS风险对于及时干预至关重要.
• 现有的预测模型可能需要对不同种群进行进一步的细化.

研究的目的:

• 开发和验证基于机器学习 (ML) 的模型,用于预测代谢综合征 (MetS) 风险.
• 通过LASSO回归来识别MetS的关键预测因素.
• 评估开发模型在不同种族和地理群体中的通用性.

主要方法:

• 利用中国健康与退休长度研究 (CHARLS) 的数据进行模型开发 (n=6155).
• 采用LASSO回归来进行特征选择,以确定重要的MetS预测因子.
• 训练和评估了9个ML算法,包括多层感知器 (MLP) 和xgboost.
• 在来自韩国 (KNHANES),英国生物库和美国 (NHANES) 的独立数据集上验证了模型性能.

主要成果:

• 基于MLP的模型在CHARLS (AUC=0.8908) 和NHANES (AUC=0.9055) 队列中显示出强大的预测性能.
• 后勤回归在KNHANES队列中显示出高精度 (AUC=0.9101).
• 在英国生物银行队列中,Xgboost取得了显著的表现 (AUC=0.8556).
• 在多个验证数据集中,MLP模型始终显示出强大的性能.

结论:

• 开发的基于MLP的模型显示了在MetS风险检测中临床应用的巨大潜力.
• 该模型在多样化的队列中的表现表明其可概括性.
• 这种ML方法为早期识别和管理代谢综合征提供了一个有希望的工具.