机器学习与血清neuregulin 4水平相结合的预测研究,用于II型糖尿病中甲状腺功能障碍的II型糖尿病

科学领域:

• 内分泌学和代谢性疾病.
• 医学成像和机器学习
• 生物标志物发现发现

背景情况:

• 神经调节素4 (NRG4) 与代谢调节,胰岛素抵抗和甲状腺功能障碍有关.
• NRG4在并发性2型糖尿病和甲状腺功能增强症 (T2DM-FT) 中的作用需要进一步阐明.
• 机器学习为复杂,高维度的生物医学数据提供了先进的分析能力.

研究的目的:

• 评估一种使用血清NRG4水平的支持矢量机 (SVM) 模型,用于预测2型糖尿病 (T2DM) 患者的甲状腺功能增强症 (FT).
• 评估一种结合的SVM,卷积神经网络 (CNN) 和长期短期记忆 (LSTM) 网络模型 (SVM-CNN+LSTM),集成血清NRG4和超声波特征,用于在T2DM中增强FT预测.

主要方法:

• 分析了500名T2DM患者 (60名FT患者) 和200名健康对照组.
• 收集了血清NRG4水平,甲状腺指数和人口统计数据;皮尔森相关性确定了NRG4相关特征.
• 为结构化数据开发了一个参数优化的SVM模型,而CNN+LSTM网络提取了空间和时间超声波特征,并与NRG4合并为多式预测模型.

主要成果:

• 与健康对照组相比,T2DM+FT患者的血清NRG4水平显著升高 (P<0.05).
• NRG4与HOMA-IR,FT3,FT4,甲状腺体积和抵抗指数 (所有P<0.05) 呈现正相关性.
• 与单独使用SVM模型 (AUC:0.887) 相比,SVM-CNN+LSTM模型实现了优异的预测性能 (灵敏度:91.32%,特异性:94.18%,AUC:0.943).

结论:

• 综合血清NRG4和超声波特征的SVM-CNN+LSTM多式模式显著改善了T2DM患者甲状腺功能增高的预测.
• 这种先进的方法为T2DM-FT并发症的复杂机制提供了洞察力.
• 这些发现支持这种多式联络模式在早期临床干预和管理中的实用性.