相对脂肪质量和物理指数作为胆结石形成的预测:来自机器学习和后勤回归的见解
Laifu Deng1, Shuting Wang1, Daiwei Wan1
1Department of General Surgery, Wuxi Medical Center of Nanjing Medical University, Wuxi, People's Republic of China.
International journal of general medicine
|February 6, 2025
概括
机器学习模型将相对脂肪质量 (RFM) 确定为胆结石的关键预测因素. 后勤回归是预测胆结石风险的最有效算法,有助于临床管理.
科学领域:
- 胆道疾病 胆道疾病
- 医疗信息学医学信息学
- 机器学习在医疗保健中的应用
背景情况:
- 胆结石 (GS) 是一种常见的胆道疾病,严重影响患者的生活质量.
- 识别胆结石形成的危险因素对于有效的预防和管理至关重要.
研究的目的:
- 使用机器学习算法开发和验证胆结石形成的预测模型.
- 阐明人体测量方法,特别是相对脂肪量 (RFM),与胆结石发生之间的关联.
主要方法:
- 整合了NHANES数据与7868名参与者的医院记录 (830名胆结石).
- 使用后勤回归,高斯天真贝叶斯 (GNB),多层感知器 (MLP) 和支持向量机 (SVM) 进行预测建模.
- 使用k倍交叉验证进行内部验证和独立数据集进行外部验证. 通过逻辑回归,子组分析和受限立方线 (RCS) 曲线,研究了RFM关联.
主要成果:
- 与其他ML模型相比,物流回归证明了胆结石风险因素的优异预测性能.
- SHAP分析确定了RFM,体重至腰指数 (WWI),腰围 (WC),腰高比 (WHtR) 和体重指数 (BMI) 作为重要的预测指标,RFM是主要决定因素.
- 证实了RFM和胆结石之间的强有力的正相关性,独立于子组因素.
结论:
- 后勤回归是预测胆结石发生的最有效的算法模型.
- 开发的模型为临床医生提供了一种工具来识别预后因素,从而实现个性化的患者监测和管理策略.
