机器学习模型的开发和验证,用于预测肥胖和糖尿病患者的低肌肉质量
Jiaying Ge1, Siqi Sun1, Jiangping Zeng2
1Department of Endocrinology and Metabolism, Shanghai Tenth People's Hospital, School of Medicine, Tongji University, Shanghai, 200072, China.
Lipids in health and disease
|April 29, 2025
概括
身体圆度指数 (BRI) 有效预测肥胖和糖尿病患者的低肌肉质量 (LMM). 机器学习模型,特别是随机森林,为早期LMM检测和干预提供了可访问的工具.
科学领域:
- 代谢健康 代谢健康
- 身体组成分析 身体成分分析
- 生物统计学 生物统计学
背景情况:
- 低肌肉质量 (LMM) 是肥胖和糖尿病的重要并发症,增加代谢和心血管风险.
- 像身体圆度指数 (BRI) 这样的新型肥胖指数显示了身体组成评估的潜力.
研究的目的:
- 调查新型肥胖指数 (BRI,圆度指数,相对脂肪量) 与LMM之间的关联.
- 开发和验证机器学习模型,以便在风险人群中准确预测LMM.
主要方法:
- 对NHANES数据 (2011-2018,n=2,176) 的分析,在 (2005-2006,n=310) 进行了验证.
- 按骨肌肉质量指数值定义的LMM;按身体脂肪百分比计算的肥胖.
- 使用LASSO开发的机器学习模型 (逻辑回归,随机森林) 用于特征选择;性能通过AUROC和Brier分数进行评估.
主要成果:
- BRI与LMM独立相关 (OR1.39,P<0.001). 这两种情况都存在关联.
- 在验证集中,一个具有八个特征的随机森林模型取得了强大的预测性能 (AUROC=0.721,Brier=0.184).
- BRI,肌素,种族,年龄和HbA1c是SHAP分析发现的关键预测因素.
结论:
- 身体圆度指数 (BRI) 是肥胖和糖尿病患者中LMM的重要预测指标.
- 开发的随机森林模型为早期LMM检测提供了实用和准确的工具.
- 这种工具可以帮助临床决策,并促进针对LMM的个性化干预.
