使用常规参数的极端梯度增强准确地预测了年轻和中年日本人的胰岛素敏感性
Norimitsu Murai1, Naoko Saito2, Sayuri Nii1
1Division of Diabetes, Metabolism and Endocrinology, Showa Medical University Fujigaoka Hospital, Yokohama, Japan.
机器学习 (ML) 模型可以使用物理指标和临床数据来估计胰岛素敏感性 (SI). 然而,ML衍生估计显示比传统的基于脂质的方法更强的相关性,这表明当前参数的限制.
科学领域:
- 代谢健康研究研究
- 生物统计学和机器学习应用程序
背景情况:
- 胰岛素敏感性 (SI) 对代谢健康至关重要.
- 准确估计SI对于临床实践和研究至关重要.
研究的目的:
- 评估机器学习 (ML) 模型在估计胰岛素敏感性 (SI) 的有效性.
- 为了比较基于ML的SI估计,仅使用物理指标,而不是与脂质和葡萄糖水平相结合.
主要方法:
- 采用了八种机器学习 (ML) 方法来估计1,268名年轻人和1,723名中年日本人的SI.
- 使用马苏达指数和1/恒温模式评估胰岛素抵抗作为参考计算SI.
- 仅使用物理指标的ML模型进行比较,以及使用脂质/禁食葡萄糖水平的物理指标.
主要成果:
- 极端梯度提升模型显示了与已建立的SI指数的最高相关性.
- 根据年龄和葡萄糖耐受性状况,特征的重要性有很大差异.
- 在相关性强度方面,ML衍生的SI估计表现优于传统的与脂质相关的估计.
结论:
- 机器学习可以从物理指标和临床数据中进行SI估计.
- 使用常规参数开发通用SI估计具有挑战性.
- 为了获得可靠的SI估计,需要在不同种群中进行进一步的验证.
更多相关视频
12:59Improving Strength, Power, Muscle Aerobic Capacity, and Glucose Tolerance through Short-term Progressive Strength Training Among Elderly People
Published on: July 5, 2017
08:01Measurement of Insulin- and Contraction-Stimulated Glucose Uptake in Isolated and Incubated Mature Skeletal Muscle from Mice
Published on: May 16, 2021
相关概念视频
Bias in Epidemiological Studies
Insulin: Dosing Regimen and Adverse Effects
The basal dose constitutes about 40%-50% of the total daily dose, with the rest as premeal insulin. The mealtime insulin dose should mirror...
Sensitivity, Specificity, and Predicted Value
Sensitivity is the...
Drug Dosing: Obese Patients
Regression Toward the Mean
