中国和美国心脏代谢多病症预测因子的比较分析:一种机器学习方法

科学领域:

• 公共卫生 公共卫生
• 计算生物学 计算生物学
• 流行病学 流行病学

背景情况:

• 心脏代谢多病症 (CMM),心血管疾病 (CVD) 和代谢疾病 (MD) 的同时发生,构成了全球重大健康挑战.
• 目前对CMM的查工具不足,在不同国家之间缺乏适用性,特别是在美国和中国之间.
• 需要先进的,跨国适用的查方法来识别有CMM风险的个体.

研究的目的:

• 开发和验证一种双向机器学习 (ML) 模型,用于预测心脏代谢多病症 (CMM) 风险.
• 确定中国和美国的CMM的独特和共同的风险因素.
• 为了实现精确的查,并为CMM提供特定区域的公共卫生干预信息.

主要方法:

• 利用了来自中国健康与退休长度调查 (CHARLS) 和美国健康与退休研究 (HRS) 的数据.
• 开发和比较双向ML模型,包括后勤回归 (LR),高斯天真贝叶斯 (GNB) 和极端梯度增强 (XGBoost).
• 使用曲线下的面积 (AUC) 评估模型性能,并通过SHAP分析进行跨国验证以确定预测因素.

主要成果:

• 后勤回归模型在预测心血管疾病 (CVD) 方面表现强 (AUC = 0.70在两个国家).
• 对代谢性疾病 (MD) 的预测准确性各不相同,LR (AUC = 0.71) 在中国和GNB (AUC = 0.65) 在美国的优势.
• 核心预测因素包括疾病数量和适度的体力活动,并确定了独特的区域预测因素,如中国的握力和美国的脉/情绪问题.

结论:

• 一个经过验证的,双向的ML模型为在不同国家进行精确的CMM查提供了一个有前途的工具.
• 建议采用特定区域的查策略,强调中国的握力和平衡,美国的脉冲监测和心理干预.
• 这种方法促进了有针对性的公共卫生干预措施,以减轻心脏代谢多病症的负担.