使用机器学习识别肉类的危险因素:从多式联络数据的见解.
Felicita Urzi1,2, Domen Šoberl3, Ornella Caputo4
1Faculty of Mathematics, Natural Sciences and Information Technologies, University of Primorska, Koper, Slovenia. felicita.urzi@upr.si.
European geriatric medicine
|June 5, 2025
概括
机器学习模型确定了萨科佩尼亚的关键风险因素,包括功能,营养和临床数据. 这些模型有助于早期检测和个性化干预萨科佩尼亚风险.
科学领域:
- 老年学和老年医学是老年学和老年医学.
- 生物医学数据科学 生物医学数据科学
- 计算生物学 计算生物学
背景情况:
- 在老年人群中,sarcopenia对健康构成重大挑战,需要改进早期检测和干预策略.
- 目前的查方法可能无法充分捕捉这种疾病的多因素性质.
- 整合不同的数据类型对于开发更准确的预测模型至关重要.
研究的目的:
- 通过机器学习 (ML) 模型,识别肉类的关键风险因素.
- 开发和验证用于早期发现和风险分层的预测模型.
- 提高诊断的准确性,并为患有沙科白风险的个体提供个性化干预.
主要方法:
- 分析了484名老年人的多式联络数据,包括人体测量,生化,功能,营养和遗传数据.
- 应用一个三阶段的ML建模过程与功能减少和优化.
- 用AUC,准确度,灵敏度,特异性和SHAP值进行预测器排名的模型性能评估.
主要成果:
- 萨尔科佩尼亚的关键预测因素包括功能性测量 (椅立,步行速度),营养指标 (蛋白质,叶酸),临床因素 (糖尿病,LDL) 和人体指标 (BMI,小腿周长).
- 遗传特征也导致了风险分层.
- 最好的ML模型,包括SARC-F选测试,实现了0.951的AUC和93.62%的准确性.
结论:
- 整合功能,营养,临床和遗传数据的机器学习模型为 Sarcopenia 查和风险分层提供了更准确的工具.
- 这些先进的模型可以增强早期检测和个人化干预的萨尔科佩尼亚.
- 建议在多样化的纵向队列中进行进一步验证,以确认这些模型的预测效用.


