从炎症标志物预测过度活跃的膀:使用NHANES 2005-2020的机器学习方法
Haoxun Zhang1, Guoling Zhang1, Chunyang Wang1
1Department of Urology, The First Affiliated Hospital of Harbin Medical University, Harbin, China.
Biomolecules & biomedicine
|May 16, 2025
概括
系统性炎症,如SII和NLR等全血细胞计 (CBC) 生物标志物所表明,与过度活性膀 (OAB) 的更高风险有关. 这些CBC标记可能有助于识别患有OAB风险增加的个体.
科学领域:
- 泌尿器科 泌尿器科 泌尿器科 泌尿器科
- 炎症研究 炎症研究
- 生物统计学 生物统计学
背景情况:
- 过度活跃的膀 (OAB) 显著影响生活质量和医疗费用.
- 系统性炎症越来越被认为是OAB发展的一个因素.
- 对OAB风险的全血细胞计 (CBC) 衍生的炎症生物标志物没有得到充分的研究.
研究的目的:
- 调查CBC衍生的炎症生物标志物与OAB之间的关联.
- 用统计和机器学习模型评估这些生物标志物的预测性能.
主要方法:
- 对35,394名NHANES参与者的横截面分析 (2005-2020年).
- 使用了后勤回归,值分析和随机森林/极端梯度提升模型.
- 根据社会人口统计学,生活方式和临床因素进行调整.
主要成果:
- 系统性免疫炎症指数 (SII),系统性炎症反应指数 (SIRI),中性细胞与淋巴细胞比率 (NLR),单细胞与淋巴细胞比率 (MLR) 和中性细胞与淋巴细胞比率 (NMLR) 的升高与OAB风险增加有关 (P <0.05).
- 观察到非线性关系,NLR和MLR的临界值.
- 机器学习模型将SII和SIRI确定为关键预测因子,表现良好 (测试时AUC为0.76).
结论:
- 由CBC衍生的炎症生物标志物与OAB风险有关.
- 这些生物标志物可能为OAB风险分层提供一种具有成本效益的方法.
- 需要进一步的纵向研究来确认因果关系和治疗影响.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
10:19Evaluation of Biomaterials for Bladder Augmentation using Cystometric Analyses in Various Rodent Models
Published on: August 9, 2012
19.2K
