基于机器学习的焦虑个体膳食特征与类风湿关节炎状态关联研究

《BMC Public Health》：Machine learning–driven identification of whole-food dietary patterns associated with anxiety and rheumatoid arthritis comorbidity patterns: evidence from the NHANES and the USDA MyPyramid Equivalents database

　　

摘要

背景

随着时间的推移，焦虑个体中类风湿关节炎的患病率一直在上升。尽管普通食物含有多种膳食成分，但膳食微量营养素和食物组模式与焦虑个体中类风湿关节炎状态之间的关联仍未得到充分理解。

方法

本横断面研究利用了 2005 年至 2018 年间七个周期的国家健康与营养检查调查（NHANES）数据，以及美国农业部的我的金字塔等价物数据库，用于补充膳食分类分析。我的金字塔分析代表了 NHANES 膳食回忆数据的补充食物组转换，而不是独立的外部验证队列。使用相关系数评估特征共线性，并使用 BORUTA 算法进行变量选择。使用合成少数类过采样技术（SMOTE）解决类别不平衡问题。开发了六种机器学习模型，基于膳食特征对具有药物定义的已治疗焦虑的参与者的类风湿关节炎状态进行分类。应用 SHapley 加总解释（SHAP）和局部可解释模型无关解释（LIME）来检查焦虑个体之间膳食微量元素、每日膳食摄入与类风湿关节炎状态之间的关联。进行了时间留出敏感性分析，以评估模型在后期 NHANES 周期中的性能。

结果

随机森林在两种膳食框架下均获得了最高的观察 AUC-ROC 值。时间留出敏感性分析支持了随机森林模型在后期 NHANES 周期中的性能。为了解释所选的随机森林模型，SHAP 被用作事后解释方法，以量化全局和个体水平的特征贡献。SHAP 分析确定钙、番茄红素、叶酸和维生素 D 是 RA 阳性分类的显著负面贡献因素。富含 n-3 脂肪酸的水果、乳制品和海鲜也显示出对 RA 阳性分类的负面贡献。LIME 分析进一步支持了个体水平预测的可解释性。

结论

使用源自 NHANES 的两种互补膳食特征表示的机器学习模型区分了焦虑个体中的类风湿关节炎状态，其中随机森林在评估的模型中显示出最高的观察 AUC-ROC 值。膳食特征与该人群的类风湿关节炎状态相关。这些发现需要在前瞻性队列或随机试验中得到确认，然后才能用于指导临床膳食指南。