基于人体测量和生物电阻抗参数的小儿代谢综合征机器学习预测模型的开发与验证：开辟精准筛查新路径

为解决代谢综合征（MS）在儿童青少年中患病率上升且传统预测方法存在局限的问题，研究人员开展了利用人体测量和生物电阻抗分析（BIA）参数构建机器学习模型预测 MS 的研究。结果显示综合模型预测性强，该模型有望成为临床和普通人群 MS 的有效筛查工具。

　　代谢综合征（MS）是心血管疾病的一个风险因素，在儿童和青少年中的患病率正不断上升。本研究开发了一种机器学习模型，利用人体测量数据和生物电阻抗分析（BIA）参数来预测 MS。与传统的逻辑回归等方法相比，该模型能更有效地处理复杂的非线性变量关系。研究纳入了来自韩国国家健康与营养检查调查（KNHANES）的 359 名青少年（其中 16 名患有 MS，343 名正常）以及来自真实临床数据的 174 名青少年（66 名患有 MS，108 名正常）。模型 1 使用人体测量数据，模型 2 使用 BIA 参数，模型 3 则结合了两者的数据。利用极端梯度提升算法（eXtreme Gradient Boosting）对模型进行训练，并通过受试者工作特征曲线下面积（AUC）评估模型性能。同时，应用 Shapley 值分析来评估每个参数对模型预测的贡献。结果表明，在 KNHANES 数据集里，模型 1、2、3 的 AUC 值分别为 0.75、0.66 和 0.90；在真实世界数据集里，对应的 AUC 值分别为 0.56、0.61 和 0.74。两两比较发现，在 KNHANES 数据集（模型 1 与模型 3 相比，p = 0.026；模型 2 与模型 3 相比，p = 0.033）和真实世界数据集（模型 1 与模型 3 相比，p = 0.035；模型 2 与模型 3 相比，p = 0.008）中，模型 3 的表现均优于模型 1 和模型 2。体脂肪量被确定为对模型 3 贡献最大的因素。综上所述，结合人体测量和 BIA 参数的综合模型对小儿 MS 具有很强的预测能力，这突出了它在临床和普通人群中作为 MS 有效筛查工具的潜力。