在NHANES研究中,开发和验证基于深度学习和集合学习的生物年龄
Yushu Huang1, Xifan Yang1, Qi Wang1
1Center of Clinical Big Data and Analytics of The Second Affiliated Hospital, Department of Big Data in Health Science School of Public Health, Zhejiang University School of Medicine, Hangzhou, Zhejiang, China.
Frontiers in aging neuroscience
|July 31, 2025
概括
新的机器学习模型使用临床,行为和社会经济数据预测生物年龄 (BA),在死亡率预测方面表现优于以前的方法. 这些模型可以识别早期干预的高风险个体.
科学领域:
- 生物医学信息学 生物医学信息学
- 医疗保健中的机器学习
- 衰老研究研究 衰老研究
背景情况:
- 传统的生物年龄 (BA) 模型通常仅依赖血液标记物,限制了它们的全面评估.
- 需要先进的机器学习 (ML) 模型,集成多种数据类型,以实现更准确的BA预测.
研究的目的:
- 利用临床,行为和社会经济因素开发和验证基于ML的新型BA模型.
- 评估这些模型对所有原因和特定原因死亡率的预测性能.
主要方法:
- 利用了来自24985名国家健康和营养检查调查 (NHANES) 参与者的数据 (1999-2010年).
- 使用LASSO回归来训练深度生物年龄 (DBA) 和集合生物年龄 (EnBA) 模型的30个特征.
- 通过平均绝对误差 (MAE) 和通过曲线下的面积 (AUC) 和危险比率 (HR) 预测死亡率的准确性来评估模型性能.
主要成果:
- DBA和EnBA准确地预测了时间的年龄 (MAE~3-3.6年).
- 两种模型都显示出所有原因死亡率 (AUC ~ 0.89) 的强大预测能力.
- 加速BA预测死亡风险增加,并与慢性疾病有关,药物使用和体力活动是关键预测因素.
结论:
- 开发并验证了用于生物年龄预测的新型ML模型 (DBA,EnBA).
- 这些模型准确地预测了全因和因特定死亡率.
- DBA和EnBA显示出早期识别高风险个人的潜力,并指导预防干预.
更多相关视频
09:47Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
Published on: December 15, 2023
1.3K
08:16Fluorescence-Activated Nuclei Negative Sorting of Neurons Combined with Single Nuclei RNA Sequencing to Study the Hippocampal Neurogenic Niche
Published on: October 20, 2022
3.2K
