BriefGPT - AI 论文速递
·
高风险心血管患者慢性肾脏病预测的可解释机器学习系统
💡
原文中文，约500字，阅读约需1分钟。
📝
内容提要
通过机器学习方法预测糖尿病肾病（DN）的患病率，使用LASSO回归模型和10-fold交叉验证选择了最佳特征，发现XGBoost模型在筛选DN方面表现最佳。血清代谢物与糖尿病持续时间之间存在显著的相互作用。通过XGBoost算法开发了用于筛选DN的预测模型，C2、C5DC、Tyr、Ser、Met、C24、C4DC和Cys可能成为DN的生物标志物。
🎯
关键要点
- 通过机器学习方法分析血清代谢物对糖尿病肾病（DN）的影响，预测DN的患病率。
- 使用LASSO回归模型和10-fold交叉验证选择最佳特征。
- 通过AUC-ROC曲线、决策曲线和校准曲线比较四种机器学习算法。
- XGBoost模型在筛选DN方面表现最佳，AUC值最高为0.966。
- 血清代谢物与糖尿病持续时间之间存在显著的相互作用。
- 通过XGBoost算法开发了用于筛选DN的预测模型。
- C2、C5DC、Tyr、Ser、Met、C24、C4DC和Cys可能成为DN的生物标志物。
➡️
