Jove
Visualize
联系我们

相关实验视频

Updated: Feb 28, 2026

Author Spotlight: Impact of Intergenic Interactions on Disease-Identifying Dark Biomarkers
03:37

Author Spotlight: Impact of Intergenic Interactions on Disease-Identifying Dark Biomarkers

Published on: March 1, 2024

1.4K

机器学习框架用于HbA1c预测:通过分层回归和多阶段特征选择进行数据丰富,成本优化和可解释性.

Mohamed Ezz1, Majed Abdullah Alrowaily1, Menwa Alshammeri1

  • 1Computer Science Department, College of Computer and Information Sciences, Jouf University, Sakaka 72388, Saudi Arabia.

Diagnostics (Basel, Switzerland)
|February 27, 2026
PubMed
概括

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

Advancing Arabic automated essay scoring through cross-encoder BERT models and interpretable explanations.

Scientific reports·2026
Same author

Progressive Attention-Enhanced EfficientNet-UNet for Robust Water-Body Mapping from Satellite Imagery.

Sensors (Basel, Switzerland)·2026
Same author

A Score-Fusion Method Based on the Sine Cosine Algorithm for Enhanced Multimodal Biometric Authentication.

Sensors (Basel, Switzerland)·2026
Same author

Explainable Cluster-Based Predictive Framework for Early Diagnosis of Autism Spectrum Disorder Using Behavioral Biomarkers.

Diagnostics (Basel, Switzerland)·2025
Same author

Ethical AI in Healthcare: Integrating Zero-Knowledge Proofs and Smart Contracts for Transparent Data Governance.

Bioengineering (Basel, Switzerland)·2025
Same author

Integrating Deep Learning and Radiogenomics: A Novel Approach to Glioblastoma Segmentation and MGMT Methylation Prediction.

Journal of imaging·2025
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

这项研究开发了一种精确的机器学习模型,使用更少的临床和人口因素来预测糖化血红蛋白 (HbA1c). 这种具有成本效益的方法增强了对人口健康的长期血糖控制评估.

科学领域:

  • 生物标志物的发现和预测.
  • 机器学习在医疗保健中的应用
  • 人口健康分析.

背景情况:

  • 糖化血红蛋白 (HbA1c) 对于监测长期血糖控制至关重要.
  • 在大型健康调查和资源有限的环境中,直接的HbA1c测试往往是昂贵的和未充分利用的.
  • 现有的HbA1c预测模型通常优先考虑分类或原始准确性,而不是可解释性和成本效益.

研究的目的:

  • 开发一种高度准确和可解释的机器学习 (ML) 模型,用于使用例行收集的数据预测HbA1c.
  • 确定最小的一组具有成本效益的预测指标,减少对广泛实验室小组的依赖.
  • 建立适用于其他慢性疾病生物标志物的可转移和可解释的建模框架.

主要方法:

  • 利用了2007-2020年周期国家健康和营养检查调查 (NHANES) 的数据 (66,148条记录,224个特征).
  • 实施了两阶段的特征选择:增量相关性选择 (ICS),然后是递归特征消除与交叉验证 (RFECV).
  • 使用LightGBMRegressor进行预测和评估可解释性,使用部分依赖图和特征重要性.

主要成果:

  • 最优的LightGBMRegressor模型仅使用40个选定的特征实现了R2 = 0.7161,MAE = 0.334和MAPE = 5.56% .
关键词:
预测HbA1c的时间轻GBMM 轻GBMM 的时间慢性疾病的监测和监测具有成本效益的生物标志物.功能选择 功能选择可以解释的解释性.机器学习就是机器学习.分层回归的分层回归是分层回归.

更多相关视频

Selecting Multiple Biomarker Subsets with Similarly Effective Binary Classification Performances
07:35

Selecting Multiple Biomarker Subsets with Similarly Effective Binary Classification Performances

Published on: October 11, 2018

8.1K

相关实验视频

Last Updated: Feb 28, 2026

Author Spotlight: Impact of Intergenic Interactions on Disease-Identifying Dark Biomarkers
03:37

Author Spotlight: Impact of Intergenic Interactions on Disease-Identifying Dark Biomarkers

Published on: March 1, 2024

1.4K
Selecting Multiple Biomarker Subsets with Similarly Effective Binary Classification Performances
07:35

Selecting Multiple Biomarker Subsets with Similarly Effective Binary Classification Performances

Published on: October 11, 2018

8.1K
  • 功能选择显著减少了所需的输入变量的数量,同时保持了强大的预测性能.
  • 解释性分析证实了预测因子和HbA1c之间具有临床意义的关系,符合生理学理解.

    • 结论:

    • 拟议的框架提供了一种实用,具有成本效益的方法来估计HbA1c,通过透明,生理上连贯的见解.
    • 这种方法提高了人口健康和临床决策支持系统中生物标志物估计的可扩展性.
    • 可解释,高效和可通用的设计使其适用于广泛的临床和公共卫生应用.