在健康成年人中预测休息代谢率:使用可启用队列的比较分析
Beate Brandl1, Gloria-Maria Keppner2, Quirin Manz3
1ZIEL- Institute for Food & Health, Technical University of Munich, Freising, Germany.
American journal of physiology. Endocrinology and metabolism
|January 6, 2026
概括
机器学习准确地预测休息代谢率 (RMR),使用身体组成和室外温度等关键因素. 与传统方法相比,这种新模型改善了RMR预测.
科学领域:
- 代谢研究的研究.
- 机器学习应用程序 机器学习应用程序
- 人类生理学 人类生理学
背景情况:
- 休息代谢率 (RMR) 的预测对于能源需求至关重要,但由于个体的变化而具有挑战性.
- 准确的RMR预测对于个性化的健康和营养规划至关重要.
研究的目的:
- 开发和评估用于预测RMR的机器学习模型.
- 在不同的人群中确定RMR的稳定和预测特征.
主要方法:
- 使用综合和减少特征集进行线性和非线性机器学习模型的比较.
- 利用交叉验证和独立测试数据集进行可靠的性能评估.
- 使用先进的统计技术评估特征的重要性和稳定性.
主要成果:
- 拉索回归在预测RMR方面表现优异,解释了一个队列中76.8%的差异.
- 关键预测因素包括无脂肪质量,体重和室外平均温度.
- 血液参数和室外温度改善了预测,而微生物群数据没有.
结论:
- 一个新的机器学习模型提供了比传统方法更好的RMR预测准确性.
- 临床血液参数和环境因素增强了RMR预测.
- 在这项研究中,微生物群的组成并没有显著地解释RMR变异.


