机器学习用于估计肥胖患者的心肺健康:回顾性和前性多中心队列研究协议
Jarle Berge1,2,3, Vimala Nunavath4, Rikke Aune Asbjørnsen5,6
1Department of Endocrinology, Obesity and Nutrition, Vestfold Hospital Trust, Box 2168, Tonsberg, Norway, 47 33 34 41 11, 47 33 34 20 00.
JMIR research protocols
|March 3, 2026
概括
本研究开发了一种机器学习 (ML) 模型,利用临床数据估计肥胖个体的心肺呼吸能力 (CRF). 这为更好的健康管理提供了昂贵的VO2max测试的实用替代方案.
科学领域:
- 心脏病学 心脏病学
- 运动生理学 运动生理学
- 医疗信息学 医疗信息学
背景情况:
- 心血管健康 (CRF) 对于预测肥胖患者的健康结果至关重要.
- 最大氧吸收 (VO2max) 测试是CRF评估的黄金标准,但对于广泛使用是不切实际的.
- 现有的CRF预测模型通常在肥胖人群中表现不佳,因为数据有限.
研究的目的:
- 开发和验证一个临床相关的机器学习 (ML) 模型来估计严重肥胖的成年人的CRF.
- 为了将ML模型的性能与直接VO2max测量进行比较.
- 为ML模型创建一个可访问的Web应用程序.
主要方法:
- 使用VO2max测试和严重肥胖 (BMI ≥40.0 kg/m2或35.0-39.9 kg/m2与并发症) 的成年患者的临床参数的回顾性数据集.
- 使用常规收集的临床测量方法开发机器学习模型.
- 未来的验证将ML估计与直接VO2max测量进行比较.
主要成果:
- 在2013-2025年期间,收集了超过2623个VO2max测试和1279名严重肥胖的成年人的临床数据.
- 该ML模型旨在提供实际和准确的CRF估计.
- 预计ML模型的第一个科学出版物将于2026年发布.
结论:
- 开发的ML模型为肥胖个体的CRF估计提供了一个具有成本效益的工具.
- 这一举措代表了第一个基于ML的CRF估计,使用挪威对这一群体的临床数据库.
- 该项目具有重要的社会价值,对医疗保健和患者结果具有国家/国际相关性.
