基于机器学习的多模式标记使得与肥胖相关的指数和未来的中风之间的联系成为可能:一项前性队列研究

科学领域:

• 心血管疾病流行病学
• 生物统计学和机器学习
• 肥胖和代谢综合征研究研究

背景情况:

• 肥胖是一个主要的中风风险因素,但身体质量指数 (BMI) 无法充分评估脂肪分布,以准确预测风险.
• 需要改善指标来预测中风风险和死亡率,以便及时进行干预.
• 早期发现和预测中风对于有效的预防性管理策略至关重要.

研究的目的:

• 在堆叠机器学习 (ML) 模型中评估与肥胖相关指数的有用性,以预测中风风险.
• 为改进中风风险评估开发一个in-silico定量标记 (ISS).
• 将新型指数的预测性能与传统的BMI进行比较.

主要方法:

• 一项前性队列研究,利用来自中国健康与退休纵向研究 (CHARLS),英国老龄纵向研究 (ELSA) 和中国健康检查队列的数据.
• 开发堆叠的ML模型,结合最佳肥胖指数,包括三糖糖体质指数 (TyG-BMI).
• 使用接收器操作曲线下的面积 (ROC-AUC),F1得分,Brier得分和净重新分类改进 (NRI) 评估预测准确度.

主要成果:

• 在横截面分析中,三糖糖体质指数 (TyG-BMI) 在横截面分析中表现优于BMI (AUC = 0.821).
• 堆叠的ML模型与TyG-BMI在训练 (0.816),内部验证 (0.833) 和外部验证队列 (0.803-0.805) 中实现了高AUC值.
• 开发的in-silico定量标记 (ISS) 评分与中风和中风相关死亡率有显著的关联,预测死亡的AUC高达0.891.

结论:

• 结合TyG-BMI的堆叠ML模型提供了有效的中风风险预测,超过了传统的BMI.
• 国际空间站得分显示,在不同人群的风险分层方面表现强.
• 建议在更广泛的队列中进一步验证,以评估该模型的更广泛的适用性.