用多个适应性回归线在中国妇女中预测胰岛素耐药性
Shih-Peng Mao1, Chen-Yu Wang2,3, Chi-Hao Liu4,5
1Department of Obstetrics and Gynecology, Shuang Ho Hospital, Taipei Medical University, New Taipei City 235, Taiwan, R.O.C.
Endocrine journal
|February 2, 2025
概括
一个新的机器学习模型,多个自适应回归 (MARS),准确地估计了中国绝经前妇女的胰岛素抵抗 (IR). 这种方法比传统方法和禁食血胰岛素水平更精确,用于评估代谢健康.
科学领域:
- 代谢健康 代谢健康
- 机器学习应用 机器学习应用
- 生物统计学 生物统计学
背景情况:
- 胰岛素抵抗 (IR) 是2型糖尿病和代谢综合征的核心.
- 胰岛素抵抗的恒常状态评估模型 (HOMA-IR) 是一种实用的量化工具.
- 像多个自适应回归支柱 (MARS) 这样的机器学习方法尚未应用于HOMA-IR估计.
研究的目的:
- 开发和验证一个基于MARS的方程来估计HOMA-IR.
- 在特定的人群中,评估MARS与传统方法相比的准确性.
主要方法:
- 利用MARS,一种机器学习技术,为HOMA-IR建立了一个预测模型.
- 该模型是使用4071名健康的绝经前中国妇女 (年龄在20-50岁) 的数据开发的.
- 在模型开发中包括了30个人口,实验室和生活方式变量.
主要成果:
- 马尔斯模型显示了比传统的多重线性回归 (MLR) 更高的准确性和更小的预测误差.
- 确定的主要预测因素包括腰比 (WHR),C反应蛋白 (CRP),尿酸 (UA) 和脂质配置文件.
- 导出的MARS方程提供了对HOMA-IR.的精确估计.
结论:
- 与禁食血胰岛素 (FPI) 水平相比,MARS是估计HOMA-IR的更精确的工具.
- 开发的MARS方程可以成为日常临床实践的宝贵工具.
- 建议进行进一步的纵向研究以验证这些发现.
