整合饮食数据的机器学习模型预测了美国NAFLD患者的全因死亡率:基于NHANES的研究

科学领域:

• 肝病学 肝病学是一种肝病学.
• 机器学习在医学中的应用
• 营养科学 营养科学

背景情况:

• 非酒精性脂肪性肝病 (NAFLD) 是慢性肝病的主要原因,与代谢问题和生活方式有关.
• 目前NAFLD的预后模型往往忽略了关键的饮食因素.
• 这项研究解决了将营养数据纳入NAFLD死亡率预测的必要性.

研究的目的:

• 开发和验证用于预测NAFLD患者全因死亡率的机器学习模型.
• 整合人口,血清学和营养数据,重点关注饮食干预措施.
• 确定死亡率的关键预测因素,强调饮食的作用.

主要方法:

• 来自NHANES 2007-2018数据集的2589名NAFLD参与者的分析.
• 使用LASSO-Cox回归来确定与生存相关的重要变量.
• 开发并评估了五种机器学习模型 (RSF,GBM,CoxBoost,SurvivalSVM,XGBoost),使用AUC,C指数,Brier分数和SHAP值进行解释.

主要成果:

• 拉索-考克斯确定了13个重要变量,包括年龄,收入,葡萄糖,体力活动和食纤维.
• GBM和RSF模型在5年和10年生存期实现了强大的预测性能 (AUC~0.8).
• 预后不佳与年龄,低收入,高血糖和久坐行为有关;较高的食纤维摄入量与更好的生存率相关.

结论:

• 结合饮食数据的机器学习模型有效预测NAFLD患者的死亡率.
• 随机生存森林 (RSF) 和梯度增强机 (GBM) 模型表现出高精度.
• 增加食纤维摄入量成为一个重要的保护因素,突出了其在NAFLD的治疗潜力.