利用 Ogtt 衍生的代谢特征检测高体重个体的暴食症：“寻找”机器学习方法
快速阅读: 据《Nature.com》称，本研究利用机器学习方法，基于肥胖且无糖尿病个体的数据，识别与暴食症（BED）相关的代谢特征。结果显示，性别、体质指数（BMI）、血糖水平等指标可能是识别肥胖患者中BED的关键因素。模型在区分BED与非BED方面表现出色，尤其在敏感性和准确率上优于传统方法。尽管存在样本量小和人群多样性不足等局限，该研究仍为基于代谢特征诊断BED提供了新思路。
本研究采用机器学习方法，使用了来自寻求肥胖治疗且无糖尿病的个体的数据，以识别可能与暴食症（BED）诊断相关的个体代谢特征。此外，还旨在探讨基于纯代谢的机器学习方法在筛查BED中的预测诊断准确性。结果表明，性别、体质指数（BMI）以及与葡萄糖代谢相关的变量，如口服葡萄糖耐量试验（OGTT）特定时间点的血糖水平、葡萄糖负荷的偏斜度、胰岛素敏感性指数和低血糖事件可能是识别肥胖患者中哪些患有BED的关键因素。无糖尿病人群的横断面研究表明，暴食与空腹高血糖、胰岛素抵抗以及前驱糖尿病表型（如糖耐量受损）的频率更高有关。最近的研究发现，伴有神经源性或神经低血糖症状的低血糖事件（即反应性低血糖）与延长实验室刺激期间的暴食行为初步相关。这提示患有BED、肥胖但无糖尿病的个体可能会经历更频繁和严重的低血糖事件。纵向研究显示，暴食行为在长期内除了肥胖带来的风险外，还会增加代谢综合征成分的风险。现有结果确认了这些代谢相关因素的重要性，并利用它们在非精神病学环境中区分BED与非BED的可能性。总体而言，该研究建议通过建模OGTT相关的代谢特征、人口统计学和人体测量数据，可以辅助诊断过程，潜在地识别出每十个病例中有五到七个BED病例，具体取决于数据收集情况。特别是，模型在分类非风险病例方面表现相似（67%），但基于5小时OGTT的模型在敏感性（75%）、准确率（71%）和整体预测能力（0.67对0.47）方面表现更好。这一结果也得到了稳健性分析的支持。尽管样本量较小，但模型2在预测价值方面表现出更稳定和谐的趋势，优于模型1。低血糖在这项模型中的相对权重，加上证据表明BED患者在实验室测试的后期阶段（第4至5小时）经历更多的低血糖事件，可能提高了分类的准确性和稳健性，从而提升了模型2的表现。与其他专门设计用于BED的心理测量工具相比，模型的诊断准确性令人鼓舞。最近的一项系统综述比较了广泛使用的筛查问卷在检测BED方面的表现，发现研究之间存在高变异性。饮食障碍问卷（EDE-Q）和暴食量表（BES）仅显示出中等准确性。此外，本文所用的机器学习算法仅基于血糖/胰岛素水平和其他非心理特征进行训练。因此，作者推测，将专门为BED设计并针对超重和肥胖的工具（例如，肥胖行为评估）加入训练可能会进一步提高当前模型的诊断准确性。其他研究也测试了机器学习技术来评估BED的风险、协助调查或预测其结果。埃里克·斯蒂塞和克里斯托弗·D·德贾丁斯在2018年使用多方法分类树分析来研究风险因素在饮食失调（EDs）发病中的交互作用。通过身体不满、过度进食、节食和理想化瘦身的四重复杂交互作用，准确预测了64%的BED发病案例。林纳顿及其同事的机器学习决策树分类分析捕获了70%的暴食者，双因素交互作用为低直觉进食和高二元思维，这大大关联到被归类为复发性暴食（84%发生率）。最后，福里斯特·L·N测试了两种机器学习方法来评估六个月内接受行为或阶梯式护理治疗的BED患者的治疗结果。作者认为机器学习略优于传统模型，但需要进一步实证验证。尽管认识到基于心理测量的机器学习研究的相关性，但它们需要特定的培训和专业设置进行分析。BED多年未被诊断，延误了适当的治疗，这是所有饮食失调中最严重的。部分原因是患者或临床医生的因素，但这无疑增加了BED带来的巨大医疗负担和总体残疾。此外，治疗结果往往偏离预期。在参加减肥计划或接受减肥手术的临床样本中，BED的患病率最高。通过在医学筛查中嵌入客观指标来训练机器学习算法，可以在这些环境中实现快速检测，生成更针对性的干预措施，并提前临床进展。据我们所知，目前尚无类似证据。本研究是首次尝试基于客观指标（OGTT衍生特征）训练机器学习模型来诊断BED，开创了代谢为基础的人工智能应用于BED的领域。与使用自报暴食发作来证实诊断的研究不同，本研究通过临床诊断增强了结果的准确性。对更大数据集的进一步分析和考虑其他有价值的生物标志物可以提高建模性能，并将其转化为临床实践以指导临床决策。尽管有这些优势，但也存在一些局限性。嵌入的方法无法提取关于相关特征与BED类别之间关系性质的信息。此外，作者承认横断面设计限制了变量之间的因果或时间关联。尽管应用了不同的方法避免过拟合（即缩放、分割、特征选择），由于样本量大，模型准确性可能存在膨胀。样本全部为白人且性别不平衡，因此结果可能不适用于具有其他特征的样本。最后，作者选择了迄今为止与BED相关且已知构成晚期代谢紊乱早期标记的最具信息性的代谢特征；然而，我们认识到使用不同的特征集或更先进的统计方法可能会产生不同的甚至更重要的结果。
(以上内容均由Ai生成)
