基于机器学习的预测模型,用于中国成年人患有高尿血症的功能障碍:风险因素分析

科学领域:

• 腎臟病學 (nephrology) 是一種醫學.
• 医疗信息学 医疗信息学
• 生物统计学 生物统计学

背景情况:

• 超血与功能受损有关.
• 识别功能障碍的特征因素对于早期干预至关重要.

研究的目的:

• 开发一种机器学习模型,以确定高尿血症患者功能障碍的关键预测因子.
• 确定已识别的预测因子的剂量反应关系.
• 促进对功能障碍的早期干预策略.

主要方法:

• 利用了2,705名高尿血症患者的大数据.
• 采用随机森林,LASSO回归和XGBoost进行特征选择.
• 构建了一个后勤回归模型,并使用AUC,Brier分数和DCA评估性能.
• 分析了使用限制立方支线 (RCS) 曲线的剂量反应关系.

主要成果:

• 一个包含年龄,囊素C (Cys-C),尿酸 (UA) 和性别的模型显示出强大的预测性能 (AUCtrain=0.818,AUCval=0.82).
• 确定的主要预测因素是年龄,Cys-C,UA和性别.
• 剂量反应分析显示了年龄和Cys-C的非线性关系,以及UA的线性关系,具有性别特异性的模式.

结论:

• 这种基于机器学习的模型可以有效地预测高尿血症患者的功能障碍.
• 监测Cys-C和UA水平,以及年龄和性别,对于风险评估和预防至关重要.
• 这些发现支持针对高血症患者的针对性干预措施,这些人有功能障碍的风险.