هدفت الدراسة إلى تحديد العوامل الأكثر توقعًا لتطور مرض السكري من النوع 2. باستخدام نموذج تصنيف XGboost، توقعنا حدوث مرض السكري من النوع 2 على مدى 10 سنوات. قمنا بتقليل اختيار العوامل الأساسية بشكل متعمد لاستغلال مجموعة البيانات الغنية من بنك البيانات البريطاني. تم تقييم القيمة التنبؤية للميزات باستخدام قيم shap، وتم تقييم أداء النموذج من خلال منطقة تحت منحنى خصائص التشغيل المستقبلية، والحساسية، والنوعية. تم استخدام بيانات من بنك البيانات البريطاني، التي تشمل عددًا كبيرًا من السكان مع بيانات ديموغرافية وصحية شاملة. شملت الدراسة 450,000 مشارك تتراوح أعمارهم بين 40-69 عامًا، مع استبعاد أولئك الذين لديهم سكري موجود مسبقًا. من بين 448,277 مشاركًا، أصيب 12,148 بمرض السكري من النوع 2 خلال عقد من الزمن. برز HbA1c كأهم مؤشر، يليه مؤشر كتلة الجسم، محيط الخصر، مستوى السكر في الدم، التاريخ العائلي للسكري، غاما-جلوتاميل ترانسفيراز، نسبة الخصر إلى الورك، كوليسترول HDL، العمر، وحمض اليوريك. حقق نموذج XGboost لدينا منطقة تحت منحنى خصائص التشغيل المستقبلية تبلغ 0.9 لتوقع مرض السكري من النوع 2 على مدى 10 سنوات، مع تحقيق نموذج مكون من 10 ميزات فقط 0.88. تجاوزت العوامل البيولوجية القابلة للقياس بسهولة العوامل التقليدية مثل النظام الغذائي، والنشاط البدني، والحالة الاجتماعية والاقتصادية في توقع مرض السكري من النوع 2. علاوة على ذلك، يمكن الحفاظ على دقة التوقع العالية باستخدام أفضل 10 عوامل بيولوجية فقط، مع تقديم عوامل إضافية تحسينات هامشية. تؤكد هذه النتائج على أهمية المؤشرات البيولوجية في توقع مرض السكري من النوع 2.

لقد ظهرت داء السكري من النوع 2 كواحد من أكثر الأمراض المزمنة انتشارًا في جميع أنحاء العالم، مما يفرض عبئًا اقتصاديًا وصحيًا كبيرًا على الأفراد والمجتمع. . ومع ذلك، إلى حد ما قد يكون قابلاً للتجنب أو التأخير من خلال التدخلات المتعلقة بنمط الحياة والعلاج الدوائي. أظهرت الدراسات السابقة فعالية هذه التدابير في منع أو تأجيل ظهور مرض السكري من النوع 2. .

علاوة على ذلك، كشفت الدراسات الحديثة أن ما يقرب من نصف البالغين المصابين بداء السكري من النوع 2 لم يتم تشخيصهم أو ليسوا على دراية بحالتهم. تزيد الطبيعة غير العرضية للمراحل الأولية من ما قبل السكري والسكري من احتمال تطوير مضاعفات دقيقة وكبيرة الأوعية الدموية قبل بدء تدخلات إدارة الجلوكوز. يمكن أن يؤدي تحديد الأفراد ذوي المخاطر العالية حتى قبل ظهور مرحلة ما قبل السكري إلى بدء متابعة شاملة في هذه الفئة، مما يضمن التشخيص في الوقت المناسب وإدارة مستويات الجلوكوز.

تقدم التطورات الأخيرة في تعلم الآلة و”البيانات الضخمة” إمكانيات تحويلية في أبحاث الصحة، مما يسمح بالحصول على رؤى أعمق من مجموعات البيانات المعقدة التي كانت بعيدة المنال سابقًا. ومع ذلك، عندما يتعلق الأمر بتوقع مرض السكري من النوع 2، يكشف هذا المجال عن عدم اتساق ملحوظ، لا سيما في اختيار الميزات. تُعطي معظم الدراسات الأولوية لتحقيق دقة تنبؤ عالية، مما يؤدي غالبًا إلى استبعاد الميزات التي يُعتقد أنها أقل تأثيرًا. وقد أظهرت الدراسات أن نسبة كبيرة من نماذج التنبؤ تُدرَّب على أقل من 20 ميزة. في بعض الحالات، لا يتم حتى عرض الميزات المحددة المستخدمة هناك نقص في التوافق بشأن الميزات التي يجب تضمينها

في نماذج التنبؤ لمرض السكري من النوع 2، تسعى دراستنا إلى معالجة هذه الفجوة. الغرض من هذه الدراسة هو تحديد العوامل الأكثر أهمية التي تتنبأ بحدوث مرض السكري من النوع 2 لاحقًا. سيتم استخدام نهج غير متحيز مع الحد الأدنى من الافتراضات المسبقة والتدخل البشري لتحقيق هذا الهدف. إن الاستفادة من الكمية الهائلة من المعلومات المجمعة في بنك البيانات البريطاني، جنبًا إلى جنب مع تقنيات التعلم الآلي المتطورة، توفر الفرصة لكشف العوامل التي لم يتم التعرف عليها سابقًا والتي تساهم في خطر الإصابة بالسكري. كما يتيح لنا هذا النهج توضيح العلاقات بين عوامل الخطر المعروفة بالفعل، وتحديد أي العوامل تمتلك أعلى قوة تنبؤية لمرض السكري من النوع 2.

تم الحصول على جميع البيانات المستخدمة في هذه الدراسة من بنك المملكة المتحدة الحيوي، وهو قاعدة بيانات طبية شاملة تجمع معلومات صحية واسعة من 502,625 فردًا مقيمًا في المملكة المتحدة. بين عامي 2006 و2010، تم إجراء تقييمات أساسية على المشاركين الذين تتراوح أعمارهم بين 40 و69 عامًا من خلال مزيج من الاستبيانات التي تعمل باللمس، والمقابلات التي يقودها الممرضون، ومجموعة متنوعة من الاختبارات والقياسات. تم تجميع معلومات حول العادات الغذائية باستخدام استبيان تكرار الطعام، الذي أظهر موثوقية في تصنيف المشاركين وفقًا لاستهلاكهم من المجموعات الغذائية الرئيسية. تم تقييم مستوى النشاط البدني للمشاركين باستخدام نسخة معدلة من استبيان النشاط البدني الدولي (IPAQ) خلال المقابلة الشفوية، تم استجواب المشاركين حول جوانب مختلفة من تاريخهم الشخصي والطبي، بما في ذلك عوامل الحياة المبكرة، حالة العمل، الحالات الطبية، الأدوية، والإجراءات الجراحية السابقة. شملت القياسات البدنية التي تم إجراؤها في تقييم الأساس ضغط الدم، صلابة الشرايين، كثافة العظام، قوة قبضة اليد، اختبار السمع، قياسات العين، والسبيرومترية. تم جمع ثلاثين اختبار دم، تم اختيارها بناءً على عوامل الخطر المعروفة للأمراض أو مقاييس التشخيص، بالإضافة إلى ثمانية اختبارات بول.

كان الهدف الأساسي من هذه الدراسة هو حدوث مرض السكري من النوع 2 خلال فترة 10 سنوات بعد التقييم الأساسي (3650 يومًا). لتحديد هذه النتيجة، استخدمنا فئة “الحدوث الأول” في بنك البيانات البريطاني، الذي يحتوي على حقلين للبيانات لكل رمز مرتبط برمز ICD-10 مكون من 3 أحرف. يمثل الحقل الأول تاريخ الإبلاغ الأول عن رمز ICD، ويحتوي الحقل الثاني على المصدر الذي تم تسجيل الرمز فيه لأول مرة. شملت المصادر معلومات رمز Read في بيانات الرعاية الأولية، ورموز ICD-9 وICD-10 في بيانات المرضى الداخليين بالمستشفى، ورموز ICD-10 في سجلات تسجيل الوفيات، ورموز الحالة الطبية المبلغ عنها ذاتيًا التي تم الإبلاغ عنها في زيارات مراكز تقييم بنك البيانات البريطاني اللاحقة. في هذه الدراسة، تم تعريف المتغير الناتج على أنه أي تقرير عن رمز ICD E11 (داء السكري غير المعتمد على الأنسولين) خلال فترة الدراسة التي استمرت 10 سنوات.

تم استبعاد الأفراد الذين كانوا مصابين بالسكري في البداية من الدراسة. على وجه التحديد، أولئك الذين أبلغوا عن إصابتهم بالسكري في مقابلة الأساس أو الذين تم قياسهم. أو كان لديهم تشخيص بالسكري مسجل في سجلات المستشفى أو الرعاية الأولية، بغض النظر عن نوع السكري. ومع ذلك، لم يتم استبعاد النساء اللواتي كان لديهن السكري فقط أثناء الحمل. بالإضافة إلى ذلك، تم استبعاد المشاركين الذين لم يكن لديهم 3650 يومًا كاملًا من المتابعة بسبب الوفاة أو سحب الموافقة من الدراسة.

كانت نهجنا في اختيار المتغيرات متعمدًا ومستنيرًا بحكم الخبراء. منذ البداية، كان هدفنا الأساسي هو الحفاظ على أكبر قدر ممكن من المعلومات لتسهيل تحليل غير متحيز غني بالتفاصيل حول المشاركين. مع وضع هذا الهدف في الاعتبار، بدأنا باستبعاد أي متغيرات تم جمعها بعد التقييم الأساسي، حيث كنا ملتزمين باستخدام بيانات الأساس فقط لنمذجة التنبؤ. بعد ذلك، قمنا بتقييم بيانات الأساس بدقة لضمان صلتها ودقتها. كانت هذه التقييم عملية يدوية حيث تم تقييم كل متغير من حيث مساهمته في فهم شامل لصحة المشارك ونمط حياته وحالته الاجتماعية والاقتصادية. تم استبعاد المتغيرات التي اعتبرت غير مرتبطة بهذه المجالات الرئيسية، أو التي لم تقدم رؤى إضافية. على سبيل المثال، تم تجاهل سمات البيانات مثل الأرقام التسلسلية لأجهزة القياس، ومدة الاختبارات، أو أسباب تخطي اختبارات معينة لأنها لم تقدم معلومات ذات مغزى عن المشاركين. في الحالات التي كانت فيها متغيرات مكررة، مثل قياسين منفصلين لضغط دم المشارك، قمنا بحساب متوسط القيم وتمثيلها بمتغير واحد. بعد ذلك، حددنا 111 متغيرًا كان لديها أكثر من ملاحظات مفقودة وتمت إزالتها من مجموعة البيانات. لتحسين القيمة المعلوماتية لمجموعة البيانات، تم إنشاء بعض المتغيرات المفقودة في بنك البيانات البريطاني باستخدام البيانات المتاحة. شمل ذلك إنشاء متغيرات مثل معدل الترشيح الكبيبي المقدر (eGFR)، وإجمالي استهلاك الكحول الأسبوعي، وضغط النبض، ومتوسط ضغط الشرايين. بالإضافة إلى ذلك، تم دمج معلومات حول الأقارب من الدرجة الأولى المصابين بداء السكري من النوع 2 في درجة تتراوح من 0 إلى 2 اعتمادًا على عدد الأقارب المصابين بالسكري (2 تشير إلى وجود اثنين أو أكثر من الأقارب المصابين بالسكري). بعد هذه العملية الدقيقة للاختيار والتنقيح، تضمنت مجموعة بياناتنا 419 متغيرًا اعتبرت الأكثر ملاءمة لتطوير النموذج، ويمكن العثور على قائمة شاملة بهذه المتغيرات في وثيقة منفصلة بالإضافة إلى صيغ لإنشاء متغيرات جديدة (المكملات).

استخدم نموذج التصنيف في هذه الدراسة خوارزمية تعزيز التدرج المتطرف (XGBoost)، وهي تقنية تعلم جماعي مستخدمة على نطاق واسع . تشتهر XGBoost بدقتها العالية في التنبؤ وكفاءتها الحسابية، مما يجعلها خيارًا شائعًا لمهام التصنيف والانحدار . كانت الخطوة الأولى في التحليل هي تقسيم البيانات إلى مجموعتين، مجموعة تدريب، ومجموعة تحقق. احتوت مجموعة التدريب على من إجمالي الملاحظات، بينما تم تخصيص الباقي لمجموعة التحقق. لضمان توازن نسبة
الأفراد الذين لديهم نتيجة الاهتمام في كلا المجموعتين، تم تقسيم البيانات بناءً على المتغير الناتج. بمجرد الانتهاء من التقسيم، خضعت مجموعة بيانات التدريب لمزيد من المعالجة المسبقة. تم تحويل جميع الميزات الفئوية إلى متغيرات عددية باستخدام ترميز واحد حار. تم تحديد المتغيرات ذات التباين المنخفض جدًا وإزالتها لتعزيز استقرار النموذج. من الجدير بالذكر أنه لمعالجة عدم توازن الفئات في بيانات التدريب، تم تقليل الفئة الغالبة لتحقيق نسبة 1:3. تم تطبيق هذا التقليل فقط على مجموعة التدريب.

بينما تم تعلم بعض خطوات المعالجة المسبقة مثل الترميز الواحد الحار وتصنيف التباين من بيانات التدريب، تم تطبيق تحولاتهم بشكل متسق على كل من مجموعات التدريب والتحقق. ومع ذلك، تم تطبيق خطوة التقليل حصريًا على بيانات التدريب ولم تؤثر على مجموعة بيانات التحقق.

يعد أخذ عينات الهيبركيوب اللاتيني طريقة لتوليد مجموعات من قيم المعلمات التي تتوزع بالتساوي عبر فضاء المعلمات. يمكن استخدام هذه الطريقة لتعديل المعلمات الفائقة في التعلم الآلي للبحث بكفاءة عن التركيبة المثلى من المعلمات الفائقة . تتضمن خوارزمية البحث الشبكي تعريف شبكة من المعلمات الفائقة التي سيتم اختبارها، بينما تختار طريقة أخذ العينات الهيبركيوب اللاتيني قيمًا عشوائية للمعلمات الفائقة ضمن حدود محددة. تتضمن تقنية التحقق المتقاطع بخمسة طيات تقسيم البيانات إلى خمسة مجموعات فرعية، وتدريب النموذج على أربع مجموعات فرعية، واختبار المجموعة الفرعية الخامسة، وتكرار هذه العملية خمس مرات. يتم استخدام متوسط الأداء عبر جميع التكرارات كمقياس للتقييم. تضمنت المعلمات الفائقة التي تم تعديلها عدد المتغيرات التي تم أخذ عينات عشوائية منها كمرشحين في كل تقسيم (mtry)، وعدد الأشجار (trees)، وحجم العقدة الأدنى (min_n)، وعمق الشجرة (tree depth)، والحد الأدنى من تقليل الخسارة المطلوب لإجراء تقسيم إضافي على عقدة ورقة (loss reduction)، ونسبة العينات المستخدمة لتدريب كل شجرة (حجم العينة). كان الهدف هو العثور على التركيبة من المعلمات الفائقة التي أدت إلى أعلى منطقة تحت منحنى خصائص التشغيل المستقبلية (ROC-AUC).

على الرغم من أن المقياس الأساسي للأداء كان ROC-AUC، نظرًا لموثوقيته في مجموعات البيانات غير المتوازنة , قدمنا أيضًا مجموعة شاملة من المقاييس الأخرى للشفافية. تشمل هذه الدقة، والحساسية، والخصوصية، والدقة، ومقياس F1، وPR-AUC، ومصفوفات الالتباس. تم حساب فترات الثقة لجميع مقاييس الأداء باستخدام إعادة التقدير مع 1000 تكرار لتحديد عدم اليقين في تقييم النموذج. تم إجراء جميع التقييمات على مجموعة بيانات التحقق، التي تم استبعادها من تدريب النموذج.

تفسير شابلي الإضافي (Shap) هو تقنية تستخدم لشرح التنبؤات التي تقوم بها نماذج التعلم الآلي . تنشأ من نظرية الألعاب التعاونية وتعتمد على مفهوم قيم شابلي. قيمة شابلي لميزة هي المتوسط الهامشي لمساهمة تلك الميزة في تنبؤ النموذج، بعد أخذ جميع التركيبات الممكنة من الميزات في الاعتبار. لحساب قيمة شابلي، يتم مقارنة تأثير ميزة على تنبؤ النموذج مع وبدون الميزة. يوفر ذلك مقياسًا لأهمية الميزة، مع الأخذ في الاعتبار تفاعلاتها مع ميزات أخرى. يمكن استخدام تقنية شابلي لكل من التفسيرات المحلية، لفهم التنبؤات الفردية، والتفسير العالمي، لتحديد المحركات وراء التنبؤات عبر مجموعة البيانات بأكملها. في هذه الدراسة، تم استخدام أدوات التفسير العالمية فقط.

احتوى النموذج الرئيسي على 419 ميزة، وتم تحديد أعلى 10 ميزات ذات أعلى قيمة تنبؤية باستخدام قيم شابلي. تم تطوير نموذج XGBoost مخفض باستخدام نفس تقسيم التدريب/التحقق، ومعالجة الميزات، وتعديل المعلمات الفائقة مثل النموذج الرئيسي. تم مقارنة أداء كل من النموذجين الرئيسي والمخفض بناءً على قدرتهما على التنبؤ باستخدام مقاييس مختلفة مثل ROC-AUC، والدقة، والحساسية، والخصوصية.

لمقارنة المتنبئين المهمين للسكري للنساء والرجال بشكل منفصل، تم بناء نموذجين إضافيين عن طريق تقسيم السكان الإجمالي حسب الجنس. ثم تم استخدام الرسوم البيانية الملخصة لشابلي لوصف أهم 10 متنبئين لكل جنس. اتبعت تطوير هذه النماذج نفس الإجراء مثل النموذج الرئيسي، باستثناء إضافة عوامل محددة حسب الجنس لم يتم تضمينها في النموذج الرئيسي. بالنسبة لمجموعة الإناث، تم تضمين 30 عاملًا متعلقًا بالحيض، والحمل، والولادة، وانقطاع الطمث، واستخدام العلاج بالهرمونات البديلة. بالنسبة لمجموعة الذكور، تضمنت الميزات المضافة العمر النسبي لنمو الشعر في الوجه، والعمر النسبي لتغير الصوت، ونمط الشعر/الصلع، وعدد الأطفال الذين أنجبهم.

تم إجراء جميع إعداد البيانات وهندسة النموذج باستخدام R مع إصدار RStudio Workbench 1.4.1717-3. تم استخدام إطار عمل Tidymodels لبناء النماذج .

تلتزم الدراسة الحالية بالمعايير الأخلاقية للسلطة السويدية لمراجعة الأخلاقيات، التي وافقت على منهجية البحث، مؤكدة الامتثال للمبادئ والإرشادات الأخلاقية المعنية. تم تنفيذ جميع الإجراءات التي تشمل المشاركين البشريين وفقًا لإعلان هلسنكي والإرشادات/التنظيمات ذات الصلة. حصل بنك المملكة المتحدة الحيوي على موافقة خطية مستنيرة من جميع المشاركين قبل إدراجهم في الدراسة، مما يضمن أن جميع الطرق تم تنفيذها وفقًا للمعايير الأخلاقية المذكورة أعلاه.

شملت الدراسة ما مجموعه 448,277 مشاركًا، من بينهم كانوا ذكورًا. كانت مدة المتابعة المتوسطة 4440 يومًا، أو حوالي 12.16 سنة، مع نطاق ربعي داخلي قدره 502 يوم. خلال هذه الفترة، أصيب 12,148 فردًا بداء السكري من النوع 2. وُجد أن الأفراد الذين أصيبوا بالسكري كانوا، في المتوسط، أكبر سنًا عند التسجيل بمقدار 2.5 سنة، وكان لديهم مؤشر كتلة جسم (BMI) أعلى من مقارنة بـ ونسبة دهون الجسم الأعلى من مقارنة بـ فيما يتعلق بعوامل نمط الحياة، أظهر مجموعة الأفراد الذين أصيبوا بالسكري تكرارًا أعلى للتدخين واستهلاك الأطعمة المعالجة، بينما كانت كمية استهلاك الكحول الأسبوعية مشابهة للمجموعة التي لم تصب بالسكري. بالإضافة إلى ذلك، كان هناك نسبة أعلى من الأفراد في مجموعة السكري من خلفيات عرقية غير بيضاء. وُجد أن متوسط ضغط الدم الانقباضي مرتفع بشكل ملحوظ في مجموعة السكري، حيث تم تسجيل قيمة قدرها 144 مم زئبقي، مقارنة بـ 137.3 مم زئبقي في المجموعة التي لم تصب بالسكري (الجدول 1).

أظهر HbA1c أقوى قدرة تنبؤية لمرض السكري من النوع 2، يليه مؤشر كتلة الجسم، محيط الخصر، مستويات السكر في الدم، عدد الأقارب من الدرجة الأولى المصابين بالسكري، GGT، نسبة الخصر إلى الورك، كوليسترول HDL، العمر، ومستويات اليورات. كانت القيم المرتفعة للمتغيرات الخام مرتبطة إيجابيًا بزيادة خطر الإصابة بالسكري عبر جميع المتغيرات باستثناء كوليسترول HDL، حيث كانت القيمة العالية مرتبطة بانخفاض خطر الإصابة بالسكري (الشكل 1).

توفر مخططات الاعتماد فهماً أعمق للعلاقة بين متغير معين وخطر تطوير مرض السكري. في حالة HbA1c، يكشف الرسم البياني أن الأفراد الذين لديهم مستويات HbA1c / مول أقل عرضة لتطوير مرض السكري من أولئك الذين لديهم مستويات HbA1c (كما هو موضح بالنقطة على محور السينات عند علاوة على ذلك، فإن خطر تطوير مرض السكري من النوع 2 يزداد تقريبًا بشكل خطي بعد أن تتجاوز قيم HbA1c . في حالة مؤشر كتلة الجسم، فإن هذا العتبة تقريبًا يبدو أن المخاطر منخفضة ومماثلة للقيم بين 18 و 25؛ ومع ذلك، تبدأ في الارتفاع بشكل حاد عند . تصل المنحنى إلى مستوى ثابت عند حوالي ، حيث يبدو أن جميع القيم تعطي تقريبًا نفس المخاطر. يرتبط غياب أي من الأقارب من الدرجة الأولى المصابين بالسكري بقيم شاب السلبية، بينما يرتبط وجود اثنين أو أكثر من الأقارب من الدرجة الأولى المصابين بالسكري بأعلى خطر لتطوير السكري. يبدو أن العمر له علاقة خطية مع خطر السكري، حيث تزداد المخاطر بشكل متناسب مع عدد السنوات. في حالة حمض اليوريك في المصل، يبدو أن العتبة تقع عند ، مع القيم التي تتجاوز هذا المستوى المرتبطة بزيادة خطر الإصابة بالسكري. (الشكل 2).

استنادًا إلى التحليل، وُجد أن أهم خمسة مؤشرات للذكور هي HbA1c، جلوكوز البلازما، مؤشر كتلة الجسم، التاريخ العائلي للسكري، و GGT. أما بالنسبة للإناث، فكانت المؤشرات الأكثر أهمية هي HbA1c، محيط الخصر، جلوكوز البلازما، التاريخ العائلي للسكري، وحمض اليوريك في المصل (المكملات).

تم اختيار المعلمات الفائقة للنموذج الرئيسي بناءً على ROC-AUC وكانت تتكون من mtry = 273، الأشجار عمق الشجرة تقليل الخسائر وحجم العينة النموذج المخفض استخدم المعلمات الفائقة النهائية لـ أشجار ، عمق الشجرة تقليل الخسائر وحجم العينة عند تطبيق النموذج الرئيسي للتنبؤ بالنتيجة على مجموعة التحقق، كان قادرًا على اكتشاف 1554 فردًا مصابًا بالسكري، لكنه فاته 941 فردًا. بالمقارنة، اكتشف النموذج المختصر 1419 فردًا مصابًا بالسكري، لكنه فاته 1076. حدد النموذج الرئيسي بدقة 81,259 فردًا لم يتطور لديهم السكري، بينما حدد النموذج المختصر 81,185 فردًا (الجدول 2).

كانت قيمة ROC-AUC للنموذج الرئيسي على مجموعة التحقق 0.90، وكانت قيمة ROC-AUC للنموذج المختصر 0.88. كانت دقة كلا النموذجين 0.92. كانت الحساسية والنوعية للنموذج الرئيسي 0.62 و0.93 على التوالي، بينما كان للنموذج المختصر حساسية 0.57 ونوعية 0.93 (الجدول 3).

في هذه الدراسة البحثية، كشفت تحليلاتنا أن مستويات HbA1c المقاسة في البداية كانت العامل الأكثر تأثيرًا في التنبؤ بخطر تطوير مرض السكري من النوع 2 خلال فترة 10 سنوات. كما أظهرت مؤشرات كتلة الجسم، محيط الخصر، مستوى الجلوكوز في البلازما، التاريخ العائلي للسكري، GGT، نسبة الخصر إلى الورك، كوليسترول HDL، العمر، ومستويات حمض اليوريك في المصل قوة تنبؤية كبيرة. من خلال استخدام هذه العوامل العشرة المتاحة بسهولة وبتكلفة منخفضة، تمكنا من التنبؤ بخطر الإصابة بالسكري بدقة عالية.

لقد أظهرت تقنيات التعلم الآلي سابقًا قدرتها على التنبؤ بدقة بمخاطر الإصابة بمرض السكري المستقبلي وأمراض مزمنة أخرى. كان هدف دراستنا ليس إثبات جدوى مثل هذه التنبؤات، بل تحديد أهم العوامل التي تؤثر على خطر تطوير مرض السكري. يوفر بنك المملكة المتحدة الحيوي ميزة المعلومات الأساسية التفصيلية عن المشاركين، بما في ذلك عادات الحياة، وتكوين الجسم، والخلفية الاجتماعية والاقتصادية. تظهر نتائجنا أن العوامل البيولوجية هي أكثر المؤشرات أهمية على خطر الإصابة بمرض السكري، في حين أن المعلومات حول عادات الحياة، وتفضيلات الطعام، والوضع الاجتماعي والاقتصادي، والنشاط البدني لها تأثير ضئيل فقط على دقة التنبؤ في مجموعة بنك المملكة المتحدة الحيوي.

عادة ما يُعرَّف متلازمة الأيض بأنها حالة مرضية تتميز بالسمنة البطنية، مقاومة الأنسولين، ارتفاع ضغط الدم، وارتفاع مستويات الدهون في الدم. بعبارة أخرى، إنها وجود عوامل خطر أيضية متعددة لأمراض القلب والأوعية الدموية والسكري. لقد ارتبطت عدة من أقوى المؤشرات في دراستنا بهذه الحالة. إن الدور الحاسم لـ HbA1c والجلوكوز في البلازما في نماذج التنبؤ بالسكري ينشأ من قدرتها على العمل كمؤشرات موثوقة لاضطراب استقلاب الجلوكوز، مما يزيد من خطر تطور السكري. يشير الجلوكوز الصائم غير الطبيعي (IFG) إلى مستويات الجلوكوز في المصل التي تقل عن المعايير التشخيصية للسكري. لكنها فوق القيم الطبيعية، وقد أظهرت الدراسات أن الأفراد الذين لديهم مثل هذه القيم المتوسطة يظهرون خطرًا مرتفعًا لتطوير مرض السكري من النوع 2. في دراستنا، كانت القيمة الحدية لجلوكوز البلازما أعلى بقليل من ، حيث كانت القيم الأعلى مرتبطة بزيادة خطر الإصابة بمرض السكري من النوع 2 لاحقًا. تم تحديد الحد الأدنى لمستوى HbA1c عند في دراستنا. أظهرت الأبحاث السابقة أن الأفراد الذين لديهم مستويات HbA1c بين 39 و هم في خطر مرتفع لتطوير مرض السكري من النوع 2، كما ذكرت الجمعية الأمريكية للسكري (20). تتماشى نتائجنا حول مستويات الجلوكوز وHbA1c مع الأبحاث السابقة، على الرغم من أنها تشير إلى أن العتبة لزيادة الخطر قد تكون أقل قليلاً.

GGT هو إنزيم يُستخدم عادةً في البيئات السريرية كعلامة لوظيفة الكبد واستهلاك الكحول. ومع ذلك، تشير الأدلة الناشئة إلى وجود ارتباط إيجابي كبير بين مستويات GGT وظهور مرض السكري من النوع 2. من المعروف أن اليورات مرتبط بكل من متلازمة الأيض والسكري. لقد أظهرت الدراسات أن مستويات اليورات المرتفعة تسبق ظهور كلا الحالتين، مما يشير إلى أن اليورات قد تكون مرتبطة ارتباطًا وثيقًا بتطور السكري. بالإضافة إلى ذلك، أظهرت الدراسات أن مقاومة الأنسولين يمكن تحسينها من خلال خفض مستويات حمض البوليك في المختبر، مما يدعم بشكل أكبر الدور المحتمل للحمض البولي في تطور السكري. .

ثلاثة من بين العشرة الأكثر تأثيرًا في دراستنا كانت القياسات الأنثروبومترية، وتحديدًا مؤشر كتلة الجسم (BMI)، محيط الخصر، ونسبة الخصر إلى الورك. على الرغم من أن مؤشر كتلة الجسم يُستخدم بشكل شائع، إلا أنه يوفر
معلومات عن السمنة العامة، بينما محيط الخصر ونسبة الخصر إلى الورك تعكس بشكل أكبر السمنة المركزية، التي لها ارتباط أقوى بالتغيرات الأيضية السلبية في الجسم. ومع ذلك، فإن الأبحاث التي تقارن القوة التنبؤية لمؤشر كتلة الجسم وقياسات الخصر بالنسبة لمرض السكري قد أسفرت عن نتائج متضاربة. ومع ذلك، يبدو أن استخدام مجموعة من هذه القياسات هو مؤشر قوي ويفضل على استخدامها بشكل فردي. .

على الرغم من أن داء السكري من النوع 2 له أساس وراثي قوي، إلا أن هذه الدراسة قد ركزت بشكل أساسي على الميزات الظاهرية. بينما تم ربط العديد من المواقع الجينية بزيادة خطر الإصابة بداء السكري من النوع 2، فقد أظهرت قدرتها على التنبؤ بدقة بظهور المرض أنها، في أفضل الأحوال، متواضعة. عند دمجها في النماذج التي تتضمن بالفعل عوامل خطر معروفة وتاريخ عائلي من مرض السكري، يكون التحسن في الدقة ضئيلاً أو غير موجود. في دراستنا، وجدنا أن التاريخ العائلي للسكري كان مؤشراً ملحوظاً للإصابة بالسكري. أظهرت الأبحاث السابقة أن معرفة وجود أقارب من الدرجة الأولى مصابين بالسكري هو مؤشر أقوى من المتغيرات الجينية المعروفة لمرض السكري من النوع الثاني. . وهذا يشير إلى أن التاريخ العائلي لا يلتقط فقط المعلومات الوراثية القابلة للإرث بالكامل، بما في ذلك الجينات المسببة للمخاطر غير المعروفة، ولكن أيضًا العوامل غير الوراثية مثل السلوكيات والعادات. في الوقت الحالي، لا تدعم معرفتنا بمواريث مرض السكري من النوع 2 تضمين عوامل الخطر الوراثية في نماذج التنبؤ. ومع ذلك، قد يتغير هذا في المستقبل مع توسع معرفتنا بالوراثة المعقدة التي تكمن وراء المرض.

تمت ملاحظة اختلافات بين الجنسين في المؤشرات المهمة لمرض السكري في دراستنا. بالنسبة للذكور، كان هناك علامتان مرتبطتان بوظيفة الكلى (الميكروألبومين في البول والسيستاتين C) من بين أفضل 10 مؤشرات. ومن المثير للاهتمام أن نتائجنا أظهرت أن اليورات هو واحد من أهم المؤشرات لمرض السكري من النوع 2، متجاوزًا عوامل معروفة مثل مستوى النشاط والعادات الغذائية. ومن الجدير بالذكر أن قوة التنبؤ باليورات كانت أقوى لدى النساء مقارنة بالرجال. هذه الملاحظة تتماشى مع دراسات سابقة، بما في ذلك دراسة في الصين التي وجدت أن مستويات اليورات العالية كانت مرتبطة بزيادة خطر الإصابة بالسكري فقط لدى النساء، وليس لدى… .

تعتبر البيانات غير المتوازنة عقبة شائعة عند تطوير نماذج التصنيف لحالات مثل داء السكري من النوع الثاني. نظرًا لأن الغالبية العظمى من المشاركين لن يصابوا بالمرض، فإن البيانات تميل بشدة نحو الفئة الأكبر (بدون سكري)، مما يؤدي إلى وجود فئة أقلية صغيرة (سكري). غالبًا ما يؤدي هذا التفاوت إلى تحيز في تطوير النماذج، حيث تعطي العديد من الخوارزميات الأولوية للتعرف بشكل صحيح على الفئة الكبرى. لمعالجة ذلك، استخدمت دراستنا تقليل حجم الفئة الكبرى أثناء تدريب النموذج.

على الرغم من هذه التدابير، عند فحص مقاييس التقييم الحساسة لعدم توازن البيانات، يتضح أن نموذجنا لا يحقق النتائج المطلوبة بشكل متسق. تشير الأبحاث إلى أن مجموعات البيانات المدمجة والنظيفة التي تحتوي على عدد محدود من العينات والميزات تميل إلى إنتاج توقعات أكثر دقة. . ومع ذلك، تماشيًا مع هدفنا الأساسي، اخترنا الاحتفاظ بأكبر قدر ممكن من البيانات، مع الاعتراف بأن ذلك قد يؤثر على الأداء التنبؤي. من المهم التأكيد على أن هدف هذا النموذج ليس التنبؤ بل تحديد وتحديد أهمية الميزات بشكل صارم.

تشمل إحدى قيود الدراسة تأثير “المتطوعين الأصحاء”، حيث يميل المشاركون في بنك المملكة المتحدة الحيوي إلى أن يكونوا أكثر صحة من السكان العامين. بالإضافة إلى ذلك، نظرًا لأن المجموعة تتكون في الغالب من أفراد في منتصف العمر، ومعظمهم من البيض الذين يقيمون في المملكة المتحدة، قد تكون قابلية تعميم النتائج محدودة على مجموعات سكانية مشابهة. قيد آخر هو غياب ببتيد C والأجسام المضادة في مجموعة بيانات بنك المملكة المتحدة الحيوي. لذلك، قد يتم تصنيف بعض الأفراد بشكل خاطئ على أنهم قد طوروا داء السكري من النوع 2 بينما هم في الواقع قد طوروا داء السكري من النوع 1 أو LADA (داء السكري المناعي الذاتي الكامن لدى البالغين). علاوة على ذلك، يمكن أن يكون ببتيد C بمثابة مؤشر مهم لأنه مقياس لإنتاج الأنسولين.

نموذجنا التنبؤي يشمل الأفراد المعرضين للإصابة بالسكري، مما يتماشى مع تطبيقه المقصود عبر مجموعة واسعة من السكان غير المصابين بالسكري. بينما قد يؤدي هذا الإدراج إلى رفع بعض المقاييس، مثل ROC-AUC، فإنه يضمن أيضًا الفائدة السريرية للنموذج في تحديد أولئك الذين هم في أعلى خطر والذين يمكن أن يستفيدوا بشكل كبير من استراتيجيات التدخل المبكر. توضح تحليل الحساسية، المقدم في المواد التكميلية، أداء النموذج المتسق حتى عند استبعاد المعرضين للإصابة بالسكري، مما يبرز استقرار النموذج. نحن نعترف بالتأثير المحتمل على أهمية المتنبئين كحد من القيود ونقترح سبلًا لمزيد من البحث لتعزيز دقة النموذج.

تتمتع هذه الدراسة بقوة كبيرة في مجموعة بياناتها الواسعة وغير المختارة إلى حد كبير، مما يسمح بتحليل غير متحيز. على حد علمنا، هي الدراسة الأكثر شمولاً حول العوامل الظاهرة للتنبؤ بالسكري في المستقبل. بالإضافة إلى ذلك، تستخدم الدراسة خوارزميات التعلم الآلي المتطورة مثل XGboost وShap Values، مما يضيف إلى قوة ودقة النتائج.

تشير نتائج هذه الدراسة إلى أن العوامل البيولوجية القابلة للقياس بسهولة هي أكثر المتنبئين أهمية بالنوع الثاني من السكري، متفوقة على عوامل الخطر المعروفة مثل العوامل الغذائية، مستوى النشاط البدني، والحالة الاجتماعية الاقتصادية. كما توضح الدراسة أنه يمكن تحقيق دقة عالية في التنبؤ بالنوع الثاني من السكري باستخدام فقط أهم 10 ميزات، بينما يؤدي إضافة العديد من العوامل الأخرى إلى تحسين دقة التنبؤ بشكل طفيف.

تأتي مجموعات البيانات المستخدمة والمحللة في هذه الدراسة من بنك البيانات البريطاني تحت معرف المشروع 70236. نظرًا لأن مجموعات البيانات هي ملك لبنك البيانات البريطاني، فهي غير متاحة للطلب المباشر. ومع ذلك، يمكن للباحثين المهتمين التقدم للحصول على الوصول من خلال نظام إدارة الوصول لبنك البيانات البريطاني على https://www.ukbiobank.ac.uk/ enable-your-research/access-our-data/.

تاريخ الاستلام: 17 سبتمبر 2023؛ تاريخ القبول: 12 يناير 2024
تم النشر عبر الإنترنت: 24 يناير 2024

M.L. هو المؤلف الرئيسي وساهم بشكل كبير في تصور وتصميم وصياغة المخطوطة. لعب كل من M.L. وB.E. وA.R. دورًا حاسمًا في تطوير تصميم الدراسة، بالإضافة إلى تفسير النتائج. كان M.L. وE.H. مسؤولين عن إجراء تحليل البيانات، وكان جميع المؤلفين مشاركين في مراجعة وتنقيح المخطوطة. B.E. هو الضامن للعمل ومسؤول عن سلامة البيانات ودقة التحليل. يؤكد المؤلف المراسل أن جميع المؤلفين المدرجين يستوفون معايير التأليف وأنه لم يتم استبعاد أي مؤلفين آخرين يستوفون المعايير.

تم توفير تمويل الوصول المفتوح من قبل جامعة غوتنبرغ.

يبلغ B.E عن رسوم شخصية (لجان خبراء، محاضرات) من Amgen وAstraZeneca وBayer وBoehringer Ingelheim وEli Lilly وMerck Sharp & Dohme وMundipharma وNavamedic وNovo Nordisk وRLS Global وSanofi، جميعها خارج العمل المقدم. كما أن B.E مدعوم من “مؤسسة الملك غوستاف الخامس والملكة فيكتوريا”. جميع المؤلفين الآخرين يعلنون أنه لا توجد علاقات أو أنشطة قد تؤثر على، أو يُنظر إليها على أنها تؤثر على، مساهمتهم في هذه المخطوطة.

المعلومات التكميلية النسخة عبر الإنترنت تحتوي على مواد تكميلية متاحة على https://doi.org/ 10.1038/s41598-024-52023-5.

يجب توجيه المراسلات وطلبات المواد إلى M.L.
معلومات إعادة الطبع والتصاريح متاحة على www.nature.com/reprints.
ملاحظة الناشر تظل Springer Nature محايدة فيما يتعلق بالمطالبات القضائية في الخرائط المنشورة والانتماءات المؤسسية.

الوصول المفتوح هذه المقالة مرخصة بموجب رخصة المشاع الإبداعي للاستخدام، والمشاركة، والتكيف، والتوزيع، وإعادة الإنتاج في أي وسيلة أو صيغة، طالما أنك تعطي الائتمان المناسب للمؤلفين الأصليين والمصدر، وتوفر رابطًا لرخصة المشاع الإبداعي، وتوضح ما إذا كانت هناك تغييرات قد تم إجراؤها. الصور أو المواد الأخرى من طرف ثالث في هذه المقالة مشمولة في رخصة المشاع الإبداعي للمقالة، ما لم يُذكر خلاف ذلك في سطر ائتمان للمادة. إذا لم تكن المادة مشمولة في رخصة المشاع الإبداعي للمقالة واستخدامك المقصود غير مسموح به بموجب اللوائح القانونية أو يتجاوز الاستخدام المسموح به، ستحتاج إلى الحصول على إذن مباشرة من صاحب حقوق الطبع والنشر. لعرض نسخة من هذه الرخصة، قم بزيارة http://creativecommons.org/licenses/by/4.0/.
© المؤلفون 2024

The study aimed to identify the most predictive factors for the development of type 2 diabetes. Using an XGboost classification model, we projected type 2 diabetes incidence over a 10 -year horizon. We deliberately minimized the selection of baseline factors to fully exploit the rich dataset from the UK Biobank. The predictive value of features was assessed using shap values, with model performance evaluated via Receiver Operating Characteristic Area Under the Curve, sensitivity, and specificity. Data from the UK Biobank, encompassing a vast population with comprehensive demographic and health data, was employed. The study enrolled 450,000 participants aged 40-69, excluding those with preexisting diabetes. Among 448,277 participants, 12,148 developed type 2 diabetes within a decade. HbA1c emerged as the foremost predictor, followed by BMI, waist circumference, blood glucose, family history of diabetes, gamma-glutamyl transferase, waist-hip ratio, HDL cholesterol, age, and urate. Our XGboost model achieved a Receiver Operating Characteristic Area Under the Curve of 0.9 for 10-year type 2 diabetes prediction, with a reduced 10 -feature model achieving 0.88 . Easily measurable biological factors surpassed traditional risk factors like diet, physical activity, and socioeconomic status in predicting type 2 diabetes. Furthermore, high prediction accuracy could be maintained using just the top 10 biological factors, with additional ones offering marginal improvements. These findings underscore the significance of biological markers in type 2 diabetes prediction.

Type 2 diabetes has emerged as one of the most prevalent chronic diseases worldwide, posing a significant economic and health burden on both individuals and society . However, to some extent it may be preventable or delayed through lifestyle interventions and pharmacotherapy. Previous studies have demonstrated the efficacy of such measures in preventing or postponing the onset of type 2 diabetes .

Moreover, recent studies have revealed that nearly half of all adults affected by type 2 diabetes are neither diagnosed nor aware of their condition . The asymptomatic nature of the initial stages of prediabetes and diabetes increases the likelihood of developing micro- and macrovascular complications prior to the initiation of glucose management interventions . The identification of high-risk individuals even before the onset of prediabetes enables comprehensive follow-up to be initiated in this population, thereby ensuring timely diagnosis and glucose management.

Recent advances in machine learning and “big data” offer transformative potential in health research, allowing deeper insights from complex datasets that were previously elusive. However, when it comes to predicting type 2 diabetes, the field reveals a marked inconsistency, particularly in feature selection . Most studies prioritize achieving high prediction accuracy, which often leads them to exclude features believed to be less impactful. It has been shown that a large proportion of prediction models are trained on fewer than 20 features . In some instances, the specific features utilized are not even presented . There is a lack a consensus regarding which features to include

in prediction models for type 2 diabetes, and our study seeks to address this gap. The purpose of this study is to identify the most significant factors that predict subsequent type 2 diabetes. An agnostic approach with minimal preconceptions and human intervention will be employed to achieve this objective. The utilization of the vast amount of information collected in the UK Biobank, combined with cutting-edge machine learning technologies, offers the opportunity to unveil previously unidentified factors contributing to diabetes risk. This approach also allows us to elucidate the relationships between already established risk factors, and to determine which factors possess the highest predictive power for type 2 diabetes.

All data utilized in this study were obtained from the UK Biobank, a comprehensive biomedical database that has accumulated extensive health information from 502,625 individuals resident in the UK. Between 2006 and 2010, baseline assessments were conducted on participants aged 40 to 69 years through a combination of touchscreen questionnaires, nurse-led interviews, and various tests and measurements. Information on dietary habits were assembled using a food frequency questionnaire, that has been shown to reliably rank participants according to intakes of the main food groups . Participants’ physical activity level was assessed using an adapted version of the international physical activity questionnaire (IPAQ) . During the verbal interview, participants were queried about various aspects of their personal and medical history, including early life factors, employment status, medical conditions, medications, and past surgical procedures. The physical measurements carried out at baseline assessment included blood pressure, arterial stiffness, bone density, hand grip strength, hearing test, eye measures, and spirometry. Thirty blood assays, which were selected based on their established risk factors for disease or diagnostic measures, were collected, along with eight urine assays.

The primary endpoint of this study was the incidence of type 2 diabetes within a 10-year period following the baseline assessment ( 3650 days). To determine this outcome, we utilized the “first occurrence” category in the UK Biobank, which contains two data fields for each code mapped to 3-character ICD-10. The first field represents the date of the first reporting of the ICD code, and the second field contains the source where the code was initially recorded. The sources included Read code information in the Primary Care data, ICD-9 and ICD-10 codes in the Hospital inpatient data, ICD-10 codes in Death Register records, and self-reported medical condition codes reported at subsequent UK Biobank assessment centre visits. In this study, the outcome variable was defined as any report of ICD code E11 (non-insulin-dependent diabetes mellitus) during the 10-year study period.

Individuals who had diabetes at baseline were excluded from the study. Specifically, those who had either selfreported having diabetes at the baseline interview or had a measured or had a diagnosis of diabetes recorded in their hospital or primary care records, regardless of the type of diabetes. However, women who had only had diabetes during pregnancy were not excluded. Additionally, participants who did not have a full 3650 days of follow-up due to either death or withdrawn consent were also excluded from the study.

Our variable selection approach was both intentional and informed by expert judgment. From the outset, our primary objective was to preserve as much information as possible to facilitate an unbiased analysis rich in details about the participants. With this aim in mind, we began by excluding any variables that were collected after the baseline assessment, as we were committed to using only baseline data for predictive modeling. Subsequently, we meticulously assessed the baseline data to guarantee its relevance and accuracy. This assessment was a manual process where each variable was assessed for its contribution to a comprehensive understanding of a participant’s health, lifestyle, and socio-economic status. Only variables that were deemed unrelated to these key areas, or that did not provide additional insight, were set aside. For instance, data attributes such as the serial numbers of measuring devices, the duration of tests, or reasons for skipping certain tests were disregarded since they did not impart meaningful information about the participants. In situations where duplicate variables existed, like two separate measurements of a participant’s blood pressure, we averaged the values and represented them with a single variable. Following this, we identified 111 variables that had more than missing observations and these were removed from the dataset. To improve the informative value of the dataset, certain variables that were missing in the UK Biobank were created using the available data. This included the creation of variables such as estimated glomerular filtration rate (eGFR), total weekly alcohol intake, pulse pressure and mean arterial pressure. Additionally, information about first degree relatives with type 2 diabetes was combined into a score ranging from 0 to 2 depending on the number of relatives with diabetes ( 2 indicating two or more relatives with diabetes). After this meticulous selection and refinement process, our dataset comprised 419 variables deemed most suitable for model development, and a comprehensive list of these variables can be found in a separate document as well as formulas for creating new variables (Supplements).

The classification model used in this study employed the extreme gradient boosting (XGBoost) algorithm, which is a widely used ensemble learning technique . XGBoost is known for its high predictive accuracy and computational efficiency, making it a popular choice for classification and regression tasks . The first step in the analysis was to split the data into two sets, a training dataset, and a validation dataset. The training set contained of the total observations, while the remaining were allocated to the validation set. To ensure that the proportion
of individuals with the outcome of interest was balanced in both sets, the split was stratified based on the outcome variable. Once the split was completed, the training dataset underwent additional preprocessing. All categorical features were converted into numerical variables using one-hot encoding. Variables with very low variance were identified and removed to enhance model stability. Notably, to address class imbalances in the training data, the majority class was downsampled to achieve a 1:3 ratio. This downsampling was only applied to the training set.

While certain preprocessing steps such as one-hot encoding and variance filtering were learned from the training data, their transformations were consistently applied to both the training and validation sets. However, the downsampling step was exclusively applied to the training data and did not affect the validation dataset.

Latin hypercube sampling is a method for generating sets of parameter values that are evenly distributed across the parameter space. This method can be used for hyperparameter tuning in machine learning to efficiently search for the optimal combination of hyperparameters . The grid search algorithm involves defining a grid of hyperparameters to be tested, while the Latin hypercube sampling method randomly selects values for the hyperparameters within defined bounds. The five-fold cross-validation technique involves splitting the data into five subsets, training the model on four subsets, and testing on the fifth subset, and repeating this process five times. The average performance across all iterations is used as the evaluation metric. The hyperparameters tuned included the number of variables randomly sampled as candidates at each split (mtry), the number of trees (trees), the minimum node size (min_n), the depth of the tree (tree depth), the minimum loss reduction required to make a further partition on a leaf node (loss reduction), and the fraction of samples used to train each tree (sample size). The objective was to find the combination of hyperparameters that resulted in the highest receiver operating characteristic area under the curve (ROC-AUC).

Although the primary performance metric was ROC-AUC, due to its reliability in unbalanced datasets , we also provided a comprehensive set of other metrics for transparency. These include accuracy, sensitivity, specificity, precision, F1-measure, PR-AUC, and confusion matrices. confidence intervals were calculated for all performance metrics using bootstrapping with 1000 replications to quantify the uncertainty of the model evaluation. All evaluations were conducted on the validation dataset, which was excluded from model training.

SHapley Additive explanation (Shap) is a technique used to explain the predictions made by machine learning models . It originates from cooperative game theory and is based on the concept of Shapley values. The Shap value for a feature is the average marginal contribution of that feature to the model’s prediction, after accounting for all possible combinations of features. To calculate the Shap value, the impact of a feature on the model’s prediction is compared with and without the feature. This provides a measure of the feature’s importance, considering its interactions with other features. The Shap technique can be used for both local interpretabilities, to understand individual predictions, and global interpretability, to identify drivers of predictions across the entire dataset. In this study, only global interpretability tools were used.

The main model contained 419 features, and the top 10 features with the highest prediction value were identified using Shap values. A reduced XGBoost model was developed using the same train/validation split, feature preprocessing, and hyperparameter tuning as the main model. The performance of both the main and reduced models was compared based on their ability to predict using various metrics such as ROC-AUC, accuracy, sensitivity, and specificity.

To compare important predictors of diabetes for women and men separately, two additional models were constructed by dividing the total population by sex. Shap summary graphs were then used to describe the 10 most important predictors for each sex. The development of these models followed the same procedure as the main model, except for the addition of sex-specific factors that were not included in the main model. For the female cohort, 30 factors related to menstruation, pregnancy, childbirth, menopause, and use of hormone replacement therapy were included. For the male cohort, the added features included relative age of first facial hair, relative age voice broke, hair/balding pattern, and number of children fathered.

All data preparation and model engineering were performed using R with RStudio Workbench version 1.4.1717-3. Tidymodels framework was utilized to construct the models .

The present study adheres to the ethical standards of the Swedish Ethical Review Authority, which approved the research methodology, confirming compliance with the pertinent ethical principles and guidelines. All procedures involving human participants were performed in accordance with the Declaration of Helsinki and relevant guidelines/regulations. The UK Biobank obtained written informed consent from all participants prior to their inclusion in the study, ensuring that all methods were conducted in accordance with the aforementioned ethical standards.

The study enrolled a total of 448,277 participants, of whom were male. The median follow-up duration was 4440 days, or approximately 12.16 years, with an interquartile range of 502 days. During this period, 12,148 individuals developed type 2 diabetes. The individuals who developed diabetes were found to have, on average, a higher age at recruitment by 2.5 years, a higher body mass index (BMI) of compared to , and a higher body fat percentage of compared to . With respect to lifestyle factors, the group of individuals who developed diabetes exhibited a higher frequency of smoking and consumption of processed foods, while their weekly alcohol intake was similar to the group who did not develop diabetes. Additionally, a higher proportion of individuals in the diabetes group had a non-white ethnic background. The mean systolic blood pressure was found to be notably elevated in the diabetes group, with a recorded value of 144 mmHg , compared to 137.3 mmHg in the group without diabetes (Table 1).

HbAlc exhibited the strongest predictive power for type 2 diabetes, followed by BMI, waist circumference, blood glucose levels, the number of first-degree relatives with diabetes, GGT, waist-hip ratio, HDL cholesterol, age, and urate levels. Elevated raw variable values were positively associated with increased risk for diabetes across all variables except for HDL cholesterol, where a high value corresponded to a reduced diabetes risk (Fig. 1).

The dependency plots offer a deeper understanding of the association between a given variable and the risk of developing diabetes. In the case of HbA1c, the graph reveals that individuals with HbA1c levels / mol are less prone to developing diabetes than those with HbAlc levels (as denoted by the point on the x -axis at ). Moreover, the risk of developing type 2 diabetes increases almost linearly after the HbAlc values exceed . In the case of BMI, this threshold is approximately . The risk appears to be low and similar for values between 18 and 25; however, it starts to rise sharply at . The curve reaches a plateau at around , beyond which all values appear to confer almost the same risk. The absence of any first-degree relatives with diabetes is associated with negative Shap values, while having two or more firstdegree relatives with diabetes is linked to the highest risk of developing diabetes. Age appears to have a linear relationship with diabetes risk, with the risk increasing proportionally with the number of years. In the case of serum urate, the threshold appears to be located at , with values above this level being associated with a higher risk of diabetes. (Fig. 2).

Based on the analysis, the top five predictors for males were found to be HbA1c, plasma glucose, BMI, family history of diabetes, and GGT. For females, the most significant predictors were HbAlc, waist circumference, plasma glucose, family history of diabetes, and serum urate (Supplements).

The hyperparameters selected for the main model were based on ROC-AUC and consisted of mtry = 273, trees , tree depth , loss reduction , and sample size . The reduced model utilized final hyperparameters of , trees , , tree depth , loss reduction , and sample size . When applying the main model to predict the outcome on the validation set, it was able to detect 1554 individuals with diabetes, but missed 941 individuals. In comparison, the reduced model detected 1419 individuals with diabetes, but missed 1076. The main model accurately identified 81,259 individuals who did not develop diabetes, while the reduced model identified 81,185 individuals (Table 2).

ROC-AUC for the main model on the validation set was 0.90 and ROC-AUC for the reduced model was 0.88 . The accuracy of both models was 0.92 . The sensitivity and specificity of the main model were 0.62 and 0.93 , respectively, while the reduced model had a sensitivity of 0.57 and a specificity of 0.93 (Table 3).

In this research study, our analysis revealed that HbAlc levels measured at baseline were the most influential factor for predicting the risk of developing type 2 diabetes within a 10 -year timeframe. BMI, waist circumference, plasma glucose, family history of diabetes, GGT, waist-hip ratio, HDL cholesterol, age, and serum urate levels also exhibited significant predictive power. By utilizing these 10 readily available and cost-effective variables, we were able to predict the risk of diabetes with high precision.

Machine learning techniques have been previously shown to accurately predict the risk of future diabetes and other chronic diseases. The objective of our study was not to establish the feasibility of such predictions but rather to identify the most important factors that influence the risk of developing diabetes. The UK Biobank offers the advantage of detailed baseline information on participants, including lifestyle habits, body composition, and socio-economic background. Our results demonstrate that biological factors are the most significant predictors of diabetes risk, whereas information on lifestyle habits, food preferences, socio-economic status, and physical activity only have a minor impact on prediction accuracy in the UK Biobank cohort.

The metabolic syndrome is usually defined as a pathologic condition characterized by abdominal obesity, insulin resistance, hypertension, and hyperlipidemia . It is in other words a presence of multiple metabolic risk factors for cardiovascular disease and diabetes . Several of the strongest predictors in our study has been associated with this condition. The crucial role of HbAlc and plasma glucose in diabetes prediction models stem from their ability to serve as reliable markers of impaired glucose metabolism, thereby elevating the risk of diabetes development. Impaired fasting glucose (IFG) denotes serum glucose levels that fall below the diagnostic criteria for diabetes ( ) but are above normal values, and individuals with such intermediate values have been shown to exhibit an elevated risk of developing type 2 diabetes (20). In our study, the cut-off for plasma glucose was just above , where higher values were associated with higher risk of subsequent type 2 diabetes. The cut-off for HbA1c was identified at in our study. Previous research has shown that individuals with HbA1c levels between 39 and are at high risk of developing type 2 diabetes, as stated by the American Diabetes Association (20). Our findings on both glucose and HbAlc levels are consistent with prior research, albeit indicating that the threshold for increased risk may be slightly lower.

GGT is an enzyme commonly used in clinical settings as a marker for liver function and alcohol consumption. However, emerging evidence suggests a significant and positive dose-response association between GGT levels and the incidence of type 2 diabetes . Urate is known to be associated with both metabolic syndrome and diabetes. Elevated urate levels have been shown to precede the onset of both conditions, indicating that urate may be strongly linked to diabetes development . Additionally, studies have demonstrated that insulin resistance can be improved by lowering uric acid levels in vitro, further supporting the potential role of urate in diabetes development .

Three of the ten most influential predictors in our study were anthropometric measurements, specifically body mass index (BMI), waist circumference, and waist-to-hip ratio. Although BMI is commonly used, it provides
information on overall obesity, while waist circumference and waist-to-hip ratio are more indicative of central obesity, which has an even stronger association with adverse metabolic changes in the body. However, research comparing the predictive power of BMI and waist measurements for diabetes has yielded conflicting results . It appears, however, that using a combination of these measurements is a robust predictor and preferable to using them individually .

Although type 2 diabetes has a strong genetic basis, this study has primarily focused on phenotypical features. While multiple genetic loci have been associated with a higher risk of type 2 diabetes, their ability to accurately predict the onset of the disease has been shown to be, at best, modest . When incorporated into models that already include established risk factors and family history of diabetes, the improvement in precision is minimal or non-existent . In our study, we found that family history of diabetes was a notable predictor for diabetes. Previous research has indicated that having knowledge of first-degree relatives with diabetes is a more robust predictor than established genetic variants for type 2 diabetes . This suggests that family history captures not only the entire heritable genetic information, including unidentified risk genes, but also non-genetic factors such as behaviors and habits. At present, our understanding of the heritability of type 2 diabetes does not support the inclusion of genetic risk factors in prediction models. However, this may change in the future as our knowledge of the complex genetics underlying the disease expands.

Sex differences in important predictors of diabetes were observed in our study. For males, two markers associated with kidney function (microalbumin in urine and cystatin C) were among the top 10 predictors. Interestingly, our findings demonstrated that urate is one of the most significant predictors of type 2 diabetes, surpassing well-established factors like activity level and dietary habits. Notably, the predictive power of urate was stronger for women than men. This observation is consistent with previous studies, including a study in China which found that high urate levels were associated with an increased risk of diabetes only in women, but not in .

Imbalanced data is a frequent obstacle when developing classification models for conditions like type 2 diabetes. Given that a majority of participants will not develop the disease, the data leans heavily towards the larger class (no diabetes), yielding a diminutive minority class (diabetes). This disproportion often biases model development, with many algorithms giving precedence to correctly identifying the majority class. To address this, our study employed downsampling of the majority class during model training.

Despite these measures, when examining evaluation metrics sensitive to data imbalance, it’s evident that our model doesn’t consistently hit the mark. Research indicates that compact, clean datasets with a limited number of samples and features tend to produce more accurate predictions . However, in alignment with our primary objective, we chose to retain as much data as feasible, acknowledging that this might compromise predictive performance. It’s pivotal to emphasize that the intent of this model isn’t to predict but strictly to identify and prioritize feature significance.

Another limitation of the study include the “healthy volunteer” effect, where participants in UK Biobank tend to be healthier than the general population . Additionally, since the cohort mostly consists of middle-aged, mostly white individuals residing in the UK, the generalizability of the results may be limited to similar populations. A further constraint is the absence of C-peptide and antibodies in the UK Biobank dataset. Therefore, some individuals may be misclassified as having developed type 2 diabetes when they have developed type 1 diabetes or LADA (Latent autoimmune diabetes in adults). Furthermore, C-peptide could potentially serve as an important predictor since it is a measure of insulin production.

Our predictive model includes pre-diabetic individuals, which aligns with its intended application across a broad non-diabetic population. While this inclusion may elevate certain metrics, such as the ROC-AUC, it also ensures the model’s clinical utility in identifying those at the highest risk who could derive significant benefit from early intervention strategies. A sensitivity analysis, provided in the supplementary material, demonstrates consistent model performance even when pre-diabetics are excluded, underscoring the model’s stability. We acknowledge the potential impact on the significance of predictors as a limitation and suggest avenues for further research to enhance the model’s precision.

This study has a significant strength in its extensive and largely unselected dataset, which allows for an unbiased analysis. To our knowledge, it is the most comprehensive study on phenotypical factors to predict future diabetes. Additionally, the study employs state-of-the-art machine learning algorithms such as XGboost and Shap Values, which adds to the robustness and accuracy of the results.

The results of this study suggest that easily measurable biological factors are the most significant predictors of type 2 diabetes, outperforming known risk factors such as dietary factors, physical activity level, and socioeconomic status. The study also demonstrates that high accuracy in predicting type 2 diabetes can be achieved using only the 10 most important features, while the addition of numerous other factors only marginally improving precision.

The datasets used and analyzed in this study originate from the UK Biobank under project ID 70236. Since the datasets are the property of UK Biobank, they are not available for direct request. However, interested researchers can apply for access through the UK Biobank Access Management System at https://www.ukbiobank.ac.uk/ enable-your-research/access-our-data/.

Received: 17 September 2023; Accepted: 12 January 2024
Published online: 24 January 2024

M.L. is the primary author and contributed significantly to the conception, design, and drafting of the manuscript. M.L., B.E., and A.R. all played a crucial role in the development of the study design, as well as the interpretation of the results. M.L. and E.H. were responsible for conducting the data analysis, and all authors were involved in reviewing and revising the manuscript. B.E. is the guarantor of the work and responsible for data integrity and accuracy of analysis. The corresponding author attests that all listed authors meet authorship criteria and that no others meeting the criteria have been omitted.

Open access funding provided by University of Gothenburg.

B.E reports personal fees (expert panels, lectures) from Amgen, AstraZeneca, Bayer, Boehringer Ingelheim, Eli Lilly, Merck Sharp & Dohme, Mundipharma, Navamedic, Novo Nordisk, RLS Global, and Sanofi, all outside the submitted work. B.E is also supported by “Konung Gustav V:s och Drottning Victorias Stiftelse”. All other authors declare that there are no relationships or activities that might bias, or be perceived to bias, their contribution to this manuscript.

Supplementary Information The online version contains supplementary material available at https://doi.org/ 10.1038/s41598-024-52023-5.

Correspondence and requests for materials should be addressed to M.L.
Reprints and permissions information is available at www.nature.com/reprints.
Publisher’s note Springer Nature remains neutral with regard to jurisdictional claims in published maps and institutional affiliations.

Open Access This article is licensed under a Creative Commons Attribution 4.0 International License, which permits use, sharing, adaptation, distribution and reproduction in any medium or format, as long as you give appropriate credit to the original author(s) and the source, provide a link to the Creative Commons licence, and indicate if changes were made. The images or other third party material in this article are included in the article’s Creative Commons licence, unless indicated otherwise in a credit line to the material. If material is not included in the article’s Creative Commons licence and your intended use is not permitted by statutory regulation or exceeds the permitted use, you will need to obtain permission directly from the copyright holder. To view a copy of this licence, visit http://creativecommons.org/licenses/by/4.0/.
© The Author(s) 2024