使用机器学习算法发现儿童肥胖和代谢综合征的年龄特定亚型

科学领域:

• 儿科内分泌学和代谢健康
• 计算生物学和机器学习
• 公共卫生和流行病学

背景情况:

• 儿童肥胖和代谢综合征 (MetS) 提出了复杂的健康挑战,需要精确的分类.
• 现有的方法可能无法完全捕捉儿科肥胖症和MetS亚组中的异质性.
• 早期识别不同的子组对于开发有效,有针对性的干预措施至关重要.

研究的目的:

• 应用无监督机器学习,特别是高斯混合模型 (GMM),以识别儿科肥胖和MetS中的新型子组.
• 分析不同年龄段的这些已识别的子组的临床特征和代谢/人类学特征.
• 建立一个强大的方法框架,以发现青年代谢健康中的子组.

主要方法:

• 利用了来自伊朗三项全国性CASPIAN研究 (2003-2015) 的数据,重点是7-18岁儿童和青少年.
• 应用高斯混合模型 (GMM) 在主要成分上,来源于代谢和人体测量数据.
• 使用戴维斯-博尔丁指数确定最佳集群数量,并验证集群稳定性和可预测性.

主要成果:

• 确定了六个不同的群体,为7-10岁,七个为11-14岁,六个为15-18岁,每个都有独特的代谢和人类特征.
• 集群稳定性平均为76.3% (7-10年),65.5% (11-14年) 和52% (15-18年).
• 可预测性测试显示了强大的表现,所有年龄组的平均准确率超过87%.

结论:

• 机器学习有效地揭示了儿科肥胖和代谢综合征的隐藏异质性.
• 已确定的子组为更精确的早期检测和量身定制的干预策略提供了基础.
• 这种方法为推进儿科代谢健康和个性化医学研究提供了有价值的框架.