使用机器学习和生化标记器对BMI预测的全面分析:从NHANES数据的洞察力

科学领域:

• 生物医学信息学 生物医学信息学
• 公共卫生 公共卫生
• 代谢研究研究 代谢研究

背景情况:

• 肥胖是一个复杂的健康问题,有很多因素.
• 生物化学标志物,特别是与功能相关的生物化学标志物,可以提供对肥胖的见解.
• 机器学习 (ML) 提供了一种强大的方法来分析大型数据集,以确定与健康相关的模式.

研究的目的:

• 开发和验证用于诊断体重指数 (BMI) 和识别与肥胖相关的关键生化标志物的ML模型.
• 研究肥胖与功能指标之间的关系.
• 评估各种ML算法的预测性能和概括性.

主要方法:

• 利用了来自国家健康和营养检查调查 (NHANES) 数据集的数据 (2017-2018年用于开发,2015-2016年用于验证).
• 采用了ML算法,包括决策树,平衡随机森林 (BRF),极端梯度增强,人工神经网络和物流回归 (LR).
• 使用遗传算法进行特征选择,并使用AUC,准确性,精度,特异性,灵敏性和F1得分等指标评估模型.

主要成果:

• BRF和LR模型在区分超重个体和正常体重个体方面表现出可靠的准确性,概括性和稳定性.
• LR模型在测试组件上达到0.779的AUC,在外部验证中达到0.806.
• 低血清水平被确定为与高BMI相关的显著标志物.

结论:

• 为BMI评估成功开发了准确和可通用的ML模型.
• 研究结果强调了功能标志物和社会经济因素在BMI中的重要性.
• 这项研究强调了低血清和肥胖之间的显著联系,有助于更深入地了解代谢影响.