青少年代谢综合征的基于机器学习的预测模型:利用NHANES 2007-2016年的数据.

科学领域:

• 公共卫生 公共卫生
• 生物统计学 生物统计学
• 机器学习 机器学习

背景情况:

• 青少年的代谢综合征 (MetS) 是一个重大的公共卫生问题,与肥胖,高血压和胰岛素抵抗有关.
• 早期检测和干预对于预防长期心血管和精神健康问题至关重要,但目前的诊断方法可能很复杂.
• 现有的查工具往往依赖于生物化学指标,限制了它们的大规模非医疗用途的可访问性.

研究的目的:

• 开发一个青少年代谢综合征 (MetS) 的预测模型,使用来自NHANES数据库的随时可用的非生物化学数据.
• 创建一个简单,具有成本效益的工具,用于大规模的非医疗查和早期预防青少年的MetS.
• 通过在社区和学校环境中在线部署来提高可访问性和实际应用.

主要方法:

• 使用了2,459名青少年 (2007-2016) 的NHANES数据,不包括生物化学指标.
• 采用LASSO回归和20倍交叉验证来进行变量选择.
• 构建并评估了九个预测模型,包括八个机器学习模型和一个后勤回归模型,使用 7:3 列车验证分割和 SMOTE 进行数据平衡.

主要成果:

• 光GBM (LGB) 模型表现出优异的预测性能,AUC为0.969,准确度为0.978,F1得分为0.989.
• 通过SHAP分析确定的关键预测因素包括BMI,年龄,性别特定百分比,体重,上臂周长,大腿长度和种族.
• 经过验证的模型在非医疗初级查和青少年MetS早期预警方面被证明是非常有效的.

结论:

• 开发的LGB模型提供了一个高性能,可访问的工具,用于早期检测青少年MetS.
• 在线部署有助于在社区和学校环境中的实际应用,支持公共卫生倡议.
• 这种方法促进了早期干预,可能减轻了与青少年代谢综合征相关的风险.