使用机器学习来预测地中海饮食的消费,使用来自受控养研究的非向代谢学数据

科学领域:

• 营养科学 营养科学
• 生物标志物发现发现
• 机器学习在健康中的应用

背景情况:

• 饮食模式显著影响健康结果.
• 代谢签名提供了一个有希望的方法来客观地评估饮食.
• 了解饮食与疾病的关系需要准确的饮食评估方法.

研究的目的:

• 开发和验证用于预测地中海饮食 (MedDiet) 遵守的机器学习 (ML) 模型.
• 为了利用控制养研究中的非目标代谢学数据来预测饮食.
• 评估ML模型在不同种群和养条件中的性能.

主要方法:

• 开发和验证随机森林 (RF) 和决策树 (DT) 模型.
• 使用非向代谢物 (MPLEx方法) 分析血代谢物.
• 利用了控制养研究的数据与不同的饮食干预措施 (北美饮食,MedDiet,加拿大食品指南).

主要成果:

• 射频模型在预测男性发育组的MedDiet坚持方面取得了高准确性 (0.97).
• 当应用到验证集时,射频模型显示出良好的准确性 (0.79).
• DT模型产生了类似的预测性能.
• 随着样本异质性 (男性和女性) 的增加和少控制养,模型准确性下降.

结论:

• 机器学习模型,特别是RF,可以准确地预测MedDiet消费,使用受控的男性队列中的血代谢学.
• 模型性能对样本多样性和养条件控制敏感.
• 需要进一步的研究来开发强大的新陈代谢特征,以便更广泛地评估饮食.