在健康男性中使用可解释机器学习发现血清尿酸生物标志物的非线性预测因子
Chung-Chi Yang1,2,3,4, Min-Chung Shen5, Zih-Yin Lai3,4
1Division of Cardiology, Department of Medicine, Taoyuan Armed Forces General Hospital, Taoyuan 325208, Taiwan.
多变量自适应回归线 (MARS) 揭示了尿酸 (UA) 与腰比,肌素,,hs-CRP 和在健康男性中使用贝特尔坚果之间的非线性联系,提供了精确的临床风险见解.
科学领域:
- 代谢健康 代谢健康
- 生物统计学 生物统计学
- 机器学习应用 机器学习应用
背景情况:
- 尿酸 (UA) 与痛风,功能障碍和心血管疾病有关.
- 以前的研究通常假定线性关系,可能缺少复杂的生理相互作用.
- 了解非线性关联对于准确的风险评估至关重要.
研究的目的:
- 调查健康台湾男性尿酸与各种健康指标之间的非线性,依赖于值的关系.
- 为了比较传统线性模型与可解释机器学习 (MARS) 的疗效,用于代谢分析.
- 为影响尿酸水平的关键变量确定特定的门值.
主要方法:
- 分析了来自5200名健康的台湾男性的数据.
- 应用皮尔森相关性,多重线性回归 (MLR) 和多变量自适应回归线 (MARS).
- 使用MARS检测非线性和基于值的效应,提供了更好的解释性.
主要成果:
- 马尔斯发现了线性模型无法发现的显著非线性关联.
- 观察到腰与部比率 (WHR < 0.969),肌素 (> 0.97 mg/dL), (> 9.5 mg/dL) 和hs-CRP (> 3.38 mg/L) 的值效应.
- 贝特尔坚果暴露显示了与UA代谢的复杂,非线性关联,线性分析错过了.
结论:
- 可解释机器学习 (MARS) 有效地揭示了影响尿酸的关键非线性,依赖值的关系.
- 这些发现凸显了线性模型在代谢研究中的局限性.
- 确定值为准确的临床风险分层和尿酸水平的管理提供了有价值的数据.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
相关概念视频
Drug Dosing in Renal Diseases: Estimation of Glomerular Filtration Rate Based on Serum Creatinine Concentration
Model-Independent Approaches for Pharmacokinetic Data: Noncompartmental Analysis
One important characteristic of noncompartmental analyses is that drug exposure increases proportionally with increasing doses. This...
Mechanistic Models: Compartment Models in Individual and Population Analysis
