确定高尿血症的年龄特异性风险因素:在健康检查队伍中进行机器学习驱动的分层分析
ChuXia Tan1,2, Yuan Liu3, Lijun Li4
1Health Management Medicine Center, The Third Xiangya Hospital, Central South University, Changsha, Hunan, China.
高尿路血症 (HUA) 影响22.8%的健康成年人,风险因素因年龄而异. 机器学习模型确定了针对不同年龄组的HUA干预措施的关键预测因素.
科学领域:
- 流行病学 流行病学
- 生物统计学 生物统计学
- 机器学习 机器学习
背景情况:
- 超尿路血症 (HUA) 是一个全球性的健康挑战,但特定年龄的风险模式需要进一步澄清.
- 了解这些模式对于开发有效,有针对性的干预措施至关重要.
研究的目的:
- 在健康的成年人群中确定HUA的特定年龄风险因素.
- 开发一种基于机器学习的风险预测模型,用于精确的HUA干预.
主要方法:
- 对2821名年龄在18-60岁以上的体检受试者进行横截面研究.
- 通过电子问卷收集关于社会人口统计和健康行为的数据.
- 机器学习模型 (LR,RF,XGBoost) 用于识别风险因素和预测HUA.
主要成果:
- 总体HUA检测率为22.8%,血清尿酸水平随着年龄的增长而增加.
- 风险因素因年龄组而异 (例如,禁食血糖在18-30岁之间,BMI在31-40岁之间,性别/酒精在老年人群中).
- 机器学习模型显示出良好的预测性能 (AUC从0.749到0.840不等).
结论:
- 确认了高HUA流行率和健康受试者的年龄相关风险因素变化.
- 机器学习有效地确定了健康行为,检查状态和HUA之间的关联.
- 这些发现为年龄分层的HUA预防和管理策略提供了基础.
更多相关视频
09:16Supervised Machine Learning for Semi-Quantification of Extracellular DNA in Glomerulonephritis
Published on: June 18, 2020
06:55Inverse Probability of Treatment Weighting Propensity Score using the Military Health System Data Repository and National Death Index
Published on: January 8, 2020
相关概念视频
Genome-wide Association Studies-GWAS
GWAS does not require the identification of the target gene involved in...
Statistical Methods for Analyzing Epidemiological Data
Urinary Tract Calculi IV: Nutrition Therapy and Prevention
Bias in Epidemiological Studies
Urinary Tract Calculi I: Introduction
Relative Risk
