机器学习预测2型糖尿病中代谢相关的脂肪肝疾病:强调数据归算和特征选择
Zahra Khosravi1, Farnaz Barzinpour1, Soghra Rabizadeh2
1School of Industrial Engineering, Iran University of Science and Technology, Tehran, Iran.
PloS one
|February 24, 2026
概括
机器学习有效预测2型糖尿病 (T2DM) 患者的代谢相关脂肪肝疾病 (MAFLD). 一个XGBoost模型实现了80.6%的准确性,识别了关键预测因素,如ALT,PLT和维生素D水平.
科学领域:
- 医疗信息学 医疗信息学
- 肝病学 肝病学是一种肝病学.
- 内分泌学 在内分泌学.
背景情况:
- 与代谢相关的脂肪肝疾病 (MAFLD) 经常与2型糖尿病 (T2DM) 共同存在.
- 这种并发症加速了MAFLD的进展,并加剧了与糖尿病相关的并发症.
- 早期检测MAFLD是困难的,因为它在初期阶段往往是无症状的.
研究的目的:
- 开发和评估一种机器学习 (ML) 模型,用于预测T2DM患者的MAFLD.
- 确定在这个人群中预测MAFLD的主要人口和实验室特征.
主要方法:
- 一项涉及3,654名伊朗T2DM患者的横截面研究.
- 综合数据预处理,包括归算方法评估.
- 在八个ML模型中应用四种特征选择方法,包括XGBoost.
主要成果:
- 在没有特征选择的情况下,XGBoost分类器表现出卓越的预测性能.
- 获得了80.6%的精度和88.9%的接收器操作特征曲线 (AUC) 下的面积.
- 发现的关键预测特征包括氨酸胺转移酶 (ALT),血小板计数 (PLT) 和维生素D (VitD) 水平.
结论:
- 机器学习模型,特别是XGBoost,显示出在T2DM患者中早期检测MAFLD的巨大潜力.
- 像ALT,PLT和VitD这样的特定生物标志物对于准确的MAFLD预测至关重要.
- 这种方法可以帮助及时进行干预,以防止MAFLD的进展和糖尿病并发症.
