在使用机器学习模型的医院员工中预测代谢综合征的性别差异:基于人口的研究
Yi-Syuan Wu1, Wen-Chii Tzeng2, Cheng-Wei Wu3
1Department of Computer Science and Information Engineering, National Taitung University, Taitung, Taiwan.
The journal of nursing research : JNR
|March 31, 2025
概括
机器学习可以准确地预测医院员工的代谢综合征 (MetS). 天真贝叶斯模型,考虑到性别差异,改善了早期风险识别,以获得更好的心血管健康结果.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 预防性心脏病学 预防性心脏病学
背景情况:
- 代谢综合征 (MetS) 是一组疾病,包括肥胖,高血糖,失脂症和高血压.
- 早期预测MetS风险,特别是考虑到性别特异性因素,可以改善医院员工的心血管健康结果.
研究的目的:
- 开发和优化一种机器学习模型,用于预测医院员工的MetS风险.
- 为了调查 MetS 预测中的性别特异性差异.
主要方法:
- 在2018-2020年期间,对3537名医院雇员 (20-65岁) 进行了基于人口的调查.
- 数据包括人口统计,人体测量,病史,生活方式和生物化学标记.
- 六个机器学习模型 (K-NN,随机森林,物流回归,SVM,神经网络,天真贝叶斯) 被使用和评估.
主要成果:
- MetS的流行率为8.91%.
- 原始贝叶斯模型表现出优异的性能 (灵敏度为0.825,精度为0.859,AUC为0.936).
- 关键预测因素包括BMI和ALT (两性),以及性别特异因素,如年龄,尿酸,AST (男性) 和慢性疾病, (女性).
结论:
- 纯粹的贝叶斯模型对于医院员工的性别独立的MetS预测是有效的.
- 将性别特异性因素纳入MetS预测模型对于例行健康查和心血管疾病预防至关重要.
