机器学习模型的开发和验证,用于使用人类和生物电阻参数预测儿科代谢综合征
Youngha Choi1, Kanghyuck Lee2, Eun Gyung Seol3
1Department of Pediatrics, Gangnam Severance Hospital, Yonsei University College of Medicine, Seoul, Republic of Korea.
International journal of obesity (2005)
|April 1, 2025
概括
这项研究开发了一种机器学习模型,使用人体测量和生物电阻分析 (BIA) 数据预测年轻人的代谢综合征 (MS). 综合模型显示出强大的预测能力,为儿童多发性硬化症提供了潜在的查工具.
科学领域:
- 儿科内分泌学 儿科内分泌学
- 生物医学信息学 生物医学信息学
- 预防心血管疾病 预防心血管疾病
背景情况:
- 代谢综合征 (MS) 是儿童和青少年心血管疾病的不断升级的危险因素.
- 对于MS的传统预测方法可能无法完全捕捉复杂的变量相互作用.
研究的目的:
- 开发和评估用于预测儿科MS的机器学习模型.
- 用人体测量数据,生物电阻分析 (BIA) 参数和两者的组合来比较模型的预测性能.
主要方法:
- 利用了359名青少年 (KNHANES) 和174名青少年 (临床数据) 的数据.
- 开发了三个极端梯度提升模型:模型1 (人体测量),模型2 (BIA) 和模型3 (组合).
- 使用接收器操作特征曲线 (AUC) 下的面积和沙普利值分析评估模型性能.
主要成果:
- 组合模型 (模型3) 实现了最高的AUC (0.90在KHANES中,0.74在临床数据中).
- 模型3在两个数据集中仅使用人类计量或BIA数据的模型表现明显优于模型 (p < 0.05).
- 身体脂肪质量被确定为组合模型中最重要的预测因素.
结论:
- 综合机器学习模型结合了人体测量和BIA参数,有效地预测了儿科MS.
- 这种模型显示了作为儿童群体中MS的有价值查工具的潜力.
- 这些发现强调了机器学习在识别代谢综合征复杂风险因素方面的实用性.
