从传统的代谢标志物到集体学习:用于预测青少年NAFLD风险的机器学习模型的比较应用

科学领域:

• 儿科内分泌学 儿科内分泌学
• 代谢障碍 代谢障碍 代谢障碍
• 在医疗保健中的数据科学.

背景情况:

• 非酒精性脂肪肝 (NAFLD) 是青少年日益严重的健康问题.
• 目前的诊断方法,如肝活检是侵入性的和昂贵的.
• 需要使用非侵入性工具来预测这个人群中的NAFLD风险.

研究的目的:

• 开发和比较用于预测青少年NAFLD风险的机器学习 (ML) 模型.
• 利用常规的人类测量和实验室数据进行风险预测.
• 为早期NAFLD风险评估创建一个可访问的工具.

主要方法:

• 分析了来自2,132名美国青少年的数据 (NHANES 2011-2020).
• 开发了9个ML模型,通过光梯度增强机 (LightGBM) 进行特征选择.
• 使用AUC,精度,灵敏度,精度,F1得分和校准评估模型性能;使用SHAP解释.

主要成果:

• 在研究队列中,NAFLD的患病率为13.0%.
• 额外树木 (ET) 模型表现出优异的性能 (AUC=0.784,ACC=0.773).
• 关键预测因素包括腰围,甘油三,胰岛素和高血糖水平,确定了非线性影响.

结论:

• 基于ET的ML模型为青少年NAFLD风险预测提供了一个准确的,可解释的方法.
• 这种方法超越了风险评估的传统代谢指标.
• 一个交互式的基于网络的工具促进了具有成本效益的早期查和有针对性的预防.