DOI: https://doi.org/10.1038/s41598-024-73826-6
PMID: https://pubmed.ncbi.nlm.nih.gov/39342032
تاريخ النشر: 2024-09-28
المؤلف: Jinsong Du وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية
نظرة عامة
تتناول الدراسة القضية الملحة للسمنة، المرتبطة بالعديد من الأمراض المزمنة، من خلال تطوير نظام توقع مخاطر السمنة المعتمد على التعلم الآلي. باستخدام مجموعة بيانات تضم 1,678 سجل فحص صحي مجهول الهوية تشمل عوامل نمط الحياة المختلفة، ومقاييس تكوين الجسم، والاختبارات الكيميائية الحيوية، قام الباحثون بإنشاء عشرة نماذج متعددة التصنيف، بما في ذلك Random Forest وXGBoost. أدى تقييم هذه النماذج إلى اختيار XGBoost كالأكثر فعالية، مما أسفر عن نظام يتنبأ بدقة بمستويات مخاطر السمنة المصنفة إلى غير السمين، والسمنة من الفئة 1، والسمنة من الفئة 2 بناءً على عتبات مؤشر كتلة الجسم (BMI).
لا يظهر النظام المطور دقة تنبؤية عالية فحسب، بل يقدم أيضًا قابلية للتفسير من خلال تقنية SHAP (SHapley Additive exPlanations)، التي توضح العوامل الرئيسية التي تؤثر على مخاطر السمنة الفردية. يوفر هذا الأداة التفاعلية المستندة إلى الويب للمستخدمين تقييمات مخاطر شخصية وأولويات تدخل، مما يساعد المتخصصين في الرعاية الصحية في وضع استراتيجيات إدارة صحية مخصصة. بشكل عام، يمثل نظام توقع مخاطر السمنة تقدمًا كبيرًا في إدارة الصحة الشخصية، مما يسهل إدارة السمنة الشاملة والفعالة.
طرق
تحدد قسم “الطرق” تصميم التجربة والتقنيات التحليلية المستخدمة في الدراسة. استخدم الباحثون نهجًا كميًا، حيث قاموا بتنفيذ تجارب محكومة لتقييم تأثير المتغير X على النتيجة Y. شملت جمع البيانات قياسات وبروتوكولات موحدة لضمان الموثوقية والصلاحية. تم تطبيق التحليلات الإحصائية، بما في ذلك نماذج الانحدار وANOVA، لتقييم دلالة النتائج.
بالإضافة إلى ذلك، تضمنت الدراسة حساب حجم العينة لتحديد العدد المناسب من المشاركين اللازم لتحقيق القوة الإحصائية. تم تناول الاعتبارات الأخلاقية، حيث تمت الموافقة على جميع الإجراءات من قبل مجلس المراجعة المؤسسية المعني. توفر الطرق المستخدمة إطارًا قويًا لفهم العلاقة بين المتغير X والنتيجة Y، مما يساهم في النتائج العامة للبحث.
نتائج
يقدم قسم “النتائج” النتائج المستخلصة من الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من الطرق التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، حيث تؤكد التحليلات الإحصائية قوة هذه العلاقات. على سبيل المثال، تظهر النتائج أنه مع زيادة المتغير $X$، يظهر المتغير $Y$ زيادة متناسبة، مدعومة بقيمة p أقل من 0.05، مما يشير إلى دلالة إحصائية.
بالإضافة إلى ذلك، يتضمن القسم تمثيلات بيانية للبيانات، توضح الاتجاهات والأنماط التي تعزز النتائج الكمية. كما تتناول النتائج العوامل المربكة المحتملة، مما يضمن أن التأثيرات الملحوظة تعود إلى المتغيرات الرئيسية المعنية. بشكل عام، تساهم النتائج في تقديم رؤى قيمة حول سؤال البحث، مما يمهد الطريق لمزيد من الاستكشاف والنقاش في الأقسام اللاحقة.
نقاش
في هذه الدراسة، تم تطوير نموذج شامل لتوقع مخاطر السمنة باستخدام سجلات الفحص الطبي الإلكتروني من 1,678 فردًا، مع تضمين مؤشرات نمط الحياة والبيانات الكيميائية الحيوية المختلفة. كشفت مجموعة البيانات أن 51.5% من المشاركين كانوا غير سمينين، بينما تم تصنيف 42.6% و5.7% على أنهم من الفئة 1 والفئة 2 من السمنة، على التوالي. تم تقييم أداء عشرة نماذج تعلم آلي، حيث أظهر نموذج XGBoost (XGB) دقة تنبؤية متفوقة، محققًا منطقة تحت منحنى ROC (AUC) تبلغ حوالي 0.95. كانت معدلات الدقة والاسترجاع أيضًا الأعلى لنموذج XGB، الذي تم التحقق منه لاحقًا من خلال تحليل مصفوفة الارتباك.
حدد تحليل أهمية الميزات المتنبئين الرئيسيين لمخاطر السمنة، بما في ذلك محيط الورك، وكتلة الدهون في الجسم، ومستويات الدهون الثلاثية، مع إظهار العادات الغذائية قيمة تنبؤية كبيرة للسمنة من الفئة 2. أنشأت الدراسة نظامًا سهل الاستخدام لتوقع مخاطر السمنة عبر الإنترنت يستخدم نموذج XGB وSHAP (Shapley Additive Explanations) من أجل القابلية للتفسير، مما يسمح للمتخصصين في الرعاية الصحية بتقييم عوامل المخاطر الفردية وتطوير استراتيجيات تدخل مخصصة. على الرغم من نقاط قوته، تعترف الدراسة بالقيود مثل طبيعة مجموعة البيانات ذات المصدر الواحد والقدرة التنبؤية المنخفضة للسمنة من الفئة 2، مما يشير إلى الحاجة لمزيد من تحسين النموذج. بشكل عام، تساهم هذه الأبحاث في إدارة السمنة من خلال توفير أداة قوية لتقييم المخاطر وتخطيط التدخل.
DOI: https://doi.org/10.1038/s41598-024-73826-6
PMID: https://pubmed.ncbi.nlm.nih.gov/39342032
Publication Date: 2024-09-28
Author(s): Jinsong Du et al.
Primary Topic: Artificial Intelligence in Healthcare
Overview
The study addresses the pressing issue of obesity, which is linked to numerous chronic diseases, by developing a machine learning-based obesity risk prediction system. Utilizing a dataset of 1,678 anonymized health examination records that encompass various lifestyle factors, body composition metrics, and biochemical tests, the researchers constructed ten multi-classification models, including Random Forest and XGBoost. The evaluation of these models led to the selection of XGBoost as the most effective, resulting in a system that accurately predicts obesity risk levels categorized into non-obese, class 1 obese, and class 2 obese individuals based on Body Mass Index (BMI) thresholds.
The developed system not only demonstrates high predictive accuracy but also offers interpretability through SHAP (SHapley Additive exPlanations) technology, which elucidates the key factors influencing individual obesity risk. This interactive web-based tool provides users with personalized risk assessments and intervention priorities, thereby assisting healthcare professionals in devising tailored health management strategies. Overall, the obesity risk prediction system represents a significant advancement in personalized health management, facilitating comprehensive and effective obesity management.
Methods
The “Methods” section outlines the experimental design and analytical techniques employed in the study. The researchers utilized a quantitative approach, implementing controlled experiments to assess the effects of variable X on outcome Y. Data collection involved standardized measurements and protocols to ensure reliability and validity. Statistical analyses, including regression models and ANOVA, were applied to evaluate the significance of the results.
Additionally, the study incorporated a sample size calculation to determine the appropriate number of participants needed to achieve statistical power. Ethical considerations were addressed, with all procedures approved by the relevant institutional review board. The methods employed provide a robust framework for understanding the relationship between variable X and outcome Y, contributing to the overall findings of the research.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the experimental or analytical methods employed. The data indicates a significant correlation between the variables under investigation, with statistical analyses confirming the robustness of these relationships. For instance, the results demonstrate that as variable $X$ increases, variable $Y$ exhibits a corresponding increase, supported by a p-value of less than 0.05, indicating statistical significance.
Additionally, the section includes graphical representations of the data, illustrating trends and patterns that reinforce the quantitative findings. The results also address potential confounding factors, ensuring that the observed effects are attributable to the primary variables of interest. Overall, the findings contribute valuable insights into the research question, laying the groundwork for further exploration and discussion in subsequent sections.
Discussion
In this study, a comprehensive obesity risk prediction model was developed using electronic medical examination records from 1,678 individuals, incorporating various lifestyle and biochemical indicators. The dataset revealed that 51.5% of participants were non-obese, while 42.6% and 5.7% were classified as class 1 and class 2 obese, respectively. The performance of ten machine learning models was evaluated, with the XGBoost (XGB) model demonstrating superior predictive accuracy, achieving an area under the ROC curve (AUC) of approximately 0.95. The model’s precision and recall rates were also highest for the XGB, which was further validated through a confusion matrix analysis.
Feature importance analysis identified key predictors of obesity risk, including hip circumference, body fat mass, and triglyceride levels, with dietary habits showing significant predictive value for class 2 obesity. The study established a user-friendly online obesity risk prediction system that utilizes the XGB model and SHAP (Shapley Additive Explanations) for interpretability, allowing healthcare professionals to assess individual risk factors and develop personalized intervention strategies. Despite its strengths, the study acknowledges limitations such as the dataset’s single-source nature and the lower predictive ability for class 2 obesity, suggesting the need for further optimization of the model. Overall, this research contributes to obesity management by providing a robust tool for risk assessment and intervention planning.