机器学习与身体圆度指数和相关指标:一种新的方法来预测代谢综合征

科学领域:

• 心血管健康 心血管健康
• 生物医学信息学 生物医学信息学
• 预防医学 预防医学

背景情况:

• 代谢综合征 (MetS) 显著增加了心血管风险.
• 目前对MetS的诊断方法是侵入性的,昂贵的,不适合广泛的查.
• 非侵入性预测模型对于早期的MetS检测和预防至关重要.

研究的目的:

• 使用机器学习开发一个 MetS 的非侵入性预测模型.
• 整合身体圆度指数 (BRI),性别,年龄,身高和腰围.
• 验证模型在不同族裔群体中的通用性.

主要方法:

• 在大型健康检查数据集上训练并验证了机器学习模型 (n=268,942和n=60,799).
• 利用了五个非侵入性特征:BRI,腰围,身高,年龄和性别.
• 使用十倍交叉验证和评估性能指标 (AUC,F1得分,灵敏度等) 评估了十个ML算法. ) 的情况.

主要成果:

• BRI显示与MetS的相关性最强 (r=0.585在D1;r=0.426在D2).
• 机器学习模型显著超过了基于规则的基线.
• 通过值调整,XGBoost实现了高性能 (AUC=0.94,灵敏度=0.96) 和更高的精度.

结论:

• 将BRI与机器学习相结合,为MetS预测提供了一个有效的,非侵入性的策略.
• 这种方法对早期的MetS预防和查充满希望.
• 与传统的基于规则的方法相比,ML模型提供了更高的灵敏度和预测性能.