一个基于机器学习的框架,用于使用血清肝功能测试和高灵敏度C反应蛋白预测代谢综合征
Bahareh Behkamal1,2, Fatemeh Asgharian Rezae2, Amin Mansoori3
1Medicinal Chemistry Department, School of Pharmacy, Mashhad University of Medical Sciences, Mashhad, 9177899191, Iran.
Scientific reports
|July 2, 2025
概括
机器学习模型使用肝功能测试和hs-CRP准确预测代谢综合征 (MetS). 渐变增强和CNN显示出高特异性,使得早期,非侵入性的MetS检测.
科学领域:
- 生物医学信息学 生物医学信息学
- 心血管疾病研究研究
- 临床诊断 临床诊断 临床诊断
背景情况:
- 代谢综合征 (MetS) 是一组疾病,增加心脏病,中风和糖尿病的风险.
- 早期检测和干预对于减轻严重的健康后果至关重要.
- 当前的诊断方法可能缺乏广泛查的效率.
研究的目的:
- 开发和评估用于预测代谢综合征 (MetS) 的机器学习 (ML) 框架.
- 用血清肝功能测试和hs-CRP作为预测生物标志物.
- 在MetS识别中评估各种ML算法的性能.
主要方法:
- 通过使用氨酸转胺酶 (ALT),酸氨基转移酶 (AST),直接胆红素 (BIL.D),总胆红素 (BIL.T) 和hs-CRP实施了一种ML预测框架.
- 整合和比较线性回归,决策树,SVM,随机森林,平衡包装,梯度增强 (GB) 和卷积神经网络 (CNN).
- 从MASHAD研究 (2010-2020年) 中验证了大型队列 (8,972名参与者) 的框架.
主要成果:
- 渐变增强 (GB) 和卷积神经网络 (CNN) 显示出卓越的性能.
- 美国有线电视新闻网 (CNN) 实现了83%的特异性,而英国有线电视新闻网 (GB) 则达到77%的特异性.
- 英国模型显示出最低的错误率 (27%),显示出强大的预测能力.
- SHAP分析强调了hs-CRP,BIL.D,ALT和性别作为关键预测因素.
结论:
- 使用肝功能生物标志物和hs-CRP的自动化ML管道可以促进早期的,非侵入性的MetS检测.
- 这种方法支持临床决策和MetS的风险分层.
- 这些发现强调了ML在增强心血管和代谢疾病查方面的潜力.
更多相关视频
11:06Network Pharmacology Prediction and Metabolomics Validation of the Mechanism of Fructus Phyllanthi against Hyperlipidemia
Published on: April 7, 2023
2.2K
11:02Identification and Quantification of Deranged Metabolites in Critically Ill Patients Using NMR-Based Metabolomics
Published on: November 29, 2024
659
