慢性脏病中萨尔科佩尼亚的预测模型:使用CHARLS数据的诺莫图和机器学习方法
Renjie Lu1, Shiyun Wang2, Pinghua Chen2
1Longhua Clinical Medical College of Shanghai University of Traditional Chinese Medicine, Shanghai, China.
Frontiers in medicine
|March 27, 2025
概括
这项研究使用查尔斯数据集开发了一种慢性病 (CKD) 患者的萨尔科佩尼亚预测模型. 梯度增强机模型在识别有风险的个体方面表现出很高的准确性,有助于临床管理.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 老年病的医生 老年病的医生
- 生物统计学 生物统计学
背景情况:
- 萨科佩尼亚是慢性病 (CKD) 患者的常见并发症,导致不良的临床结果.
- 早期识别和治疗缩症对于改善CKD患者预后至关重要.
研究的目的:
- 开发和验证一种预测模型,用于对患有CKD的个体进行萨尔科佩尼亚风险的预测.
- 使用机器学习技术在CKD群体中识别肉类的关键预测因子.
主要方法:
- 利用了来自中国健康和退休长度研究 (CHARLS) 的数据,其中包括1092名CKD患者.
- 采用LASSO回归和后勤回归用于预测因子识别,构建用于风险预测的nomogram.
- 应用机器学习算法,包括带有贝叶斯优化的梯度提升机 (GBM),用于使用ROC和DCA进行模型开发和验证.
主要成果:
- 确定了年龄,腰围,LDL-C,HDL-C,甘油三和透气血压作为肉类的重要预测因素.
- 优化的GBM模型实现了高预测准确性,在训练组中AUC为0.933,在验证组中为0.932.
- 根据SHAP的分析,年龄和腰围是对萨尔科佩尼亚预测最有影响的因素.
结论:
- 开发的诺米图和GBM模型为预测CKD患者的肉症风险提供了可靠的工具.
- 这些模型可以帮助临床医生在早期风险评估和有效的管理策略中帮助临床医生评估CKD患者群体中肉类的风险.
