基于机器学习的预测模型,用于糖尿病患者与健康相关的生活质量

科学领域:

• 医疗信息学 医疗信息学
• 公共卫生 公共卫生
• 医疗保健中的机器学习

背景情况:

• 糖尿病 (DM) 患病率正在上升,影响患者的健康相关生活质量 (HRQoL).
• 关于DM患者HRQoL下降的概括模型和风险因素的研究有限.
• 需要有效的预测模型来识别有风险的个体,以便及时进行干预.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于预测成人DM患者的HRQoL.
• 在这个人群中识别和分析影响HRQoL的关键因素.
• 评估ML作为糖尿病护理决策支持工具的潜力.

主要方法:

• 利用来自韩国国家健康和营养检查调查 (2016-2020) 的2,501名成人DM患者的数据.
• 开发并比较了五个ML分类器:逻辑回归,天真贝叶斯,随机森林,支持向量机器和极端梯度增强 (XGBoost).
• 使用准确性,回忆力,精度,F1得分和AUC等指标评估模型性能;使用SHAP值确定特征重要性.

主要成果:

• XGBoost模型表现出高精度 (0.940),回忆 (0.943),精度 (0.940) 和AUC (0.984) 的卓越性能.
• HRQoL的主要预测因素包括自我评估的健康状况,就业状况,甘油三水平,教育水平和AST/ALT比率.
• ML模型在区分稳定和处于风险的HRQoL群体方面取得了超过90%的准确性.

结论:

• 机器学习,特别是XGBoost,提供了一个非常准确的方法来预测成人糖尿病患者的HRQoL.
• 识别关键影响因素,如自我评估的健康和社会经济地位,对于理解HRQoL至关重要.
• 开发的ML模型显示了将其整合到常规糖尿病护理中的希望,以支持临床决策和改善患者的治疗结果.