使用机器学习构建低肌肉质量与代谢综合征的预测模型
Yanxuan Wu1,2, Fu Li1,2, Hao Chen1,2
1Neck-Shoulder and Lumbocrural Pain Hospital of Shandong First Medical University, Shandong First Medical University & Shandong Academy of Medical Sciences, Jinan, China.
PloS one
|September 9, 2025
概括
这项研究开发了一种机器学习模型,用于识别患有代谢综合征的年轻成年人的低肌肉质量. 关键预测因素包括身高,性别,腰围,大腿长度和性酸酶,有助于早期查肉.
科学领域:
- 老年学是一门学科.
- 代谢健康 代谢健康
- 生物统计学 生物统计学
背景情况:
- 代谢综合征 (MetS) 和肉类是全球重要的健康问题,特别是在年轻人群中.
- 甲状腺综合症和肉类的同时发生会增加死亡风险,需要有效的识别策略.
- 目前用于检测METS患者低肌肉质量的方法尚不发达.
研究的目的:
- 开发和验证一种机器学习模型,用于识别年轻的MetS患者的低肌肉质量.
- 在这个人口群体中确定与低肌肉质量相关的关键预测因素.
- 创建一个可访问的工具,用于在高危人群中进行肉症查.
主要方法:
- 利用了来自2011-2018年NHANES的2,467名MetS患者 (18-59岁) 的数据.
- 用于特征选择的使用最小绝对收缩和选择运算符 (LASSO) 回归.
- 构建和评估了9个机器学习模型,包括逻辑回归,使用AUC和F1得分等指标,并解释了SHAP值的预测器.
主要成果:
- 后勤回归模型表现出卓越的性能,AUC为0.925,F1得分为0.87,特异性为0.89.
- 确定了身高,性别,腰围,大腿长度和性酸酶 (ALP) 作为低肌肉质量的重要预测因素.
- 使用SHAP值来解释每个预测因素的贡献.
结论:
- 一个可解释的机器学习模型成功地被开发出来,用于确定年轻的MetS患者肌肉质量低的危险因素.
- 这些发现为改善这种人群的 Sarcopenia 查和管理提供了基础.
- 创建了一个基于网络的工具,以加强这些发现的实际应用,以便早期检测.


