开发一种可解释的机器学习模型,以便在乳腺癌幸存者中轻松检测胰岛素耐药性:一个横截面研究

科学领域:

• 在瘤学瘤学.
• 内分泌学 在内分泌学.
• 数据科学数据科学数据科学

背景情况:

• 乳腺癌幸存者面临更高的代谢并发症风险,包括胰岛素抵抗.
• 早期识别胰岛素耐药性对于管理长期健康至关重要.

研究的目的:

• 开发和验证一种机器学习模型,用于分类女性乳腺癌幸存者的胰岛素耐药性.
• 确定这一群体中胰岛素抵抗的关键临床和人口预测因素.

主要方法:

• 利用了美国国家健康和营养检查调查 (NHANES) (1999-2020) 的数据.
• 在340名女性乳腺癌幸存者的队列中训练并验证了机器学习模型 (逻辑回归,随机森林,支持矢量机器).
• 使用接收器操作特征曲线下的面积 (AUC) 和决策曲线分析 (DCA) 评估模型性能.

主要成果:

• 所有测试的模型在测试组中都取得了强大的分类性能 (AUC > 0.87).
• 随机森林和支持矢量机模型通过DCA表现出卓越的性能.
• 禁食血糖成为对胰岛素抵抗性分类最重要的预测因素.

结论:

• 机器学习模型可以有效地利用可访问的临床和人口统计数据预测乳腺癌幸存者的胰岛素抵抗.
• 随机森林和支持矢量机模型在早期胰岛素抵抗检测中显示出临床应用的前景.
• 这种方法可以帮助临床医生及时管理这个脆弱的患者群体内的胰岛素抵抗.