《Array》:Personalized Decision Support with Multi-Objective Optimization Approach for Integrated PCOS Analysis Using Secretary Bird Optimization Algorithm
编辑推荐:
多囊卵巢综合征(PCOS)是一种复杂的代谢和内分泌疾病,常因与该疾病相关的多种健康表现而导致诊断延迟和治疗不足。本文提出了一种新的风险评估和健康相关决策支持方法,用于疑似PCOS患者,该方法基于应用于综合计算框架的多目标优化方法。整个数据处理框架由以下部分组成
多囊卵巢综合征(PCOS)是一种复杂的代谢和内分泌疾病,常因与该疾病相关的多种健康表现而导致诊断延迟和治疗不足。本文提出了一种新的风险评估和健康相关决策支持方法,用于疑似PCOS患者,该方法基于应用于综合计算框架的多目标优化方法。整个数据处理框架由以下部分组成:健康相关数据的预处理、特征工程、PCOD检测、PCOS风险分层、甲状腺分类以及与健康状况相关的月经周期阶段分类。多目标优化基于秘书鸟优化算法(SBOA),用于同时优化多个健康相关参数,包括激素水平、排卵、代谢健康、甲状腺功能和子宫内膜厚度。研究中还纳入了基于非线性生理学的健康相关模拟模型,以模拟对不同类型治疗干预的生理反应。结果表明,使用SBOA显著改善了所有目标值(实验数据集上代谢健康改善63.0%,排卵功能改善55.5%,甲状腺功能改善55.8%)。SBOA表现出稳定的收敛性能和优越性,具有统计学显著性(p < 0.001),从而支持了该方法在PCOS综合分析中的有效性。该框架通过风险分层和疑似PCOS女性生殖阶段分析提供健康相关的输出。所提出的PCOS综合分析方法具有可扩展性,可用于设计个性化治疗方案,并能够支持PCOS患者整体健康相关状况的改善。
**基于SBOA的多目标优化框架用于PCOS综合分析与个性化决策支持:研究解读**
**1. 研究背景与问题**
多囊卵巢综合征(PCOS)是育龄女性中常见的内分泌疾病,以月经周期紊乱、卵巢囊性生长和代谢异常为主要特征,具有包括胰岛素抵抗、肥胖、不孕以及2型糖尿病和心血管疾病风险增加在内的重大长期健康影响。PCOS的发病核心涉及激素失衡,临床通常通过黄体生成素(LH)、卵泡刺激素(FSH)、孕酮、雌激素和促甲状腺激素(TSH)等指标评估生殖与内分泌健康,并常结合体质指数(BMI)和超声特征进行分析。然而,由于多种健康相关变量同时交互作用,传统诊断方法难以有效解读这些复杂数据以制定个体化治疗方案。尽管机器学习和数据驱动方法已被广泛应用于PCOS分类与预测,但这些技术主要集中于判断个体是否患病,未能解决构建以改善患者整体健康为目标、需同时优化众多健康相关参数输入的个体化治疗计划问题。因此,现有文献缺乏能够同时优化PCOS治疗中多个健康相关参数的综合计算框架。为弥补这一空白,本研究提出了一种基于秘书鸟优化算法(SBOA)的多目标优化框架,旨在同时改善激素平衡、排卵功能、代谢健康、甲状腺调节和子宫内膜厚度等健康目标。
**2. 研究内容与结论**
研究人员开发了一个集成计算框架,包含健康相关数据处理和多目标优化决策支持两大核心部分。健康数据处理模块涵盖数据预处理、特征工程、PCOD形态学检测、PCOS风险评估和甲状腺功能分类。多目标优化模块基于SBOA,采用帕累托(Pareto)方法求解同时优化五项健康目标的决策向量。研究使用了包含840例患者记录的真实世界健康数据集,涵盖内分泌、代谢、生殖及超声相关参数。实验结果显示,SBOA优化使代谢健康改善63.0%、排卵功能改善55.5%、甲状腺功能改善55.8%、激素平衡改善28.2%、子宫内膜厚度改善27.8%,所有目标均具有统计学显著性(p < 0.001)。该框架同时提供了一个基于优化结果的个性化健康推荐系统。研究的重要意义在于提供了一个可扩展的综合分析框架,能够针对不同风险层级的PCOS患者进行个性化治疗设计,支持临床决策。
**3. 关键技术方法概述**
该研究整合了一个包含840例患者记录的真实世界健康数据集(涵盖内分泌、代谢、生殖及超声参数)。研究运用的主要关键技术方法包括:(1) 健康相关数据预处理与特征工程,构建了激素比值(LH/FSH比值)、周期规律性、高雄激素血症代理指标、代谢风险分类及BMI分类等派生特征;(2) 基于规则的健康相关评分框架,用于PCOD检测、PCOS风险分层(低、中、高风险)和甲状腺功能分类(甲状腺功能减退、亚临床甲减、正常、甲状腺功能亢进);(3) 基于非线性生理学的健康相关模拟模型,模拟治疗干预对不同生理参数的影响;(4) 采用秘书鸟优化算法(SBOA)进行多目标优化,包含探索、开发和攻击(基于Levy飞行机制)三个阶段,以求解帕累托最优解集;(5) 整合个性化健康相关推荐系统,将优化后的参数转换为患者特异性建议。
**4. 研究结果**
**4.1 BMI分布分析**:BMI分布分析显示,44.52%患者BMI正常,35.95%超重,12.98%肥胖,6.55%体重不足,表明代谢失衡在PCOS患者中普遍存在。
**4.2 甲状腺功能**:甲状腺功能分析显示,11.07%患者存在亚临床甲状腺功能减退,88.93%甲状腺功能正常,表明部分患者存在内分泌异常。
**4.3 PCOD形态学分析**:卵巢形态学分析显示,15.12%患者具有PCOD形态学特征,84.88%显示正常形态,说明部分PCOD患者存在结构性生殖异常。
**4.4 PCOS风险评估**:PCOS风险评估将患者分为低风险(49.88%)、中度风险(40.48%)和高风险(9.64%)三组,表明相当比例的患者需要早期干预。
**4.5 月经周期阶段分析**:根据激素参数和周期天数,患者被分类为黄体期、卵泡期和月经期,多数患者处于黄体期,为生殖健康状况提供了参考信息。
**4.6 综合内分泌风险分析**:综合评估显示,36.07%患者存在代谢风险,38.45%患者存在内分泌疾病低风险,1.67%患者为高危多维风险,证明了综合评估的必要性。
**4.7 SBOA多目标优化性能评估**:在500次迭代和30次独立运行下,SBOA优化使各项健康目标均获得显著改善,其中代谢健康改善最大(63.0%),其次为甲状腺功能(55.8%)和排卵功能(55.5%)。
**4.8 统计显著性分析**:Wilcoxon符号秩检验证实所有目标的改善均具有高度统计学显著性(p < 0.001)。
**4.8.1 临床效应量**:Cohen's d效应量分析显示,15个目标-风险组合中有13个具有大效应量(d ≥ 0.8),表明观察到的改善具有临床相关性。
**4.9 不同PCOS风险层级优化改善的泛化性分析**:Kruskal-Wallis检验显示,除甲状腺平衡(p = 0.6463)外,其余目标在不同风险层级的改善幅度存在显著差异,高风险组在代谢健康和激素平衡方面获益更为显著。
**4.10 收敛性分析**:收敛曲线显示算法在初始迭代阶段目标值快速下降,随后逐渐趋于稳定,表明SBOA能够有效平衡全局探索和局部开发。
**4.11 帕累托优化分析**:帕累托前沿提供了多个健康目标之间的最优权衡方案集合,为根据患者个体需求灵活选择治疗方案提供了支持。
**4.12 与既有算法的比较评估**:与NSGA-II和MOEA/D算法的比较显示,SBOA与NSGA-II在超体积(HV)和反向世代距离(IGD)指标上存在统计学差异但差异较小,两者均显著优于MOEA/D。等价性检验(TOST)表明SBOA和NSGA-II在±10%等效裕度下可视为实际等价。
**4.13 与基于规则和统计基线方法的比较**:与无干预、基于规则和统计(z-score)基线方法相比,SBOA在五项目标的综合表现中取得了最低的平均目标值(0.1612),显著优于非优化方法。
**4.14 健康相关推荐**:基于优化结果的个性化推荐系统能够针对妇科、代谢、内分泌、心理和生活方式等领域提供可操作的患者特异性建议。对于基线已处于目标范围内的参数,框架正确识别无需进一步优化。
**5. 总结与结论翻译**
本研究通过数据处理技术、特征工程技术以及秘书鸟优化算法(SBOA),成功构建了一个用于多囊卵巢综合征(PCOS)健康相关评估的多目标优化框架。该框架的能力不仅限于单一预测改善,还可支持多种健康相关目标的同步改善,包括激素指标、代谢指标、排卵指标、甲状腺激素水平和子宫内膜厚度。研究收集的健康相关数据支持了研究结果,显示所列特征的改善具有统计学显著性,其中代谢和排卵特征的改善最为显著。采用帕累托优化可为解决方案输出提供更多选择,增强了框架的响应性,使其能够在临床环境中被更有效地应用。最后,推荐模块能够直接将优化解转化为可操作格式,辅助患者的护理管理,进一步提升了框架的整体有效性和实用性。未来框架的改进方向包括纳入纵向患者信息以更好地动态监测趋势,整合深度学习方法以适应更复杂的健康相关关系,以及将框架部署为实时健康相关决策支持系统以增强其在实际医疗环境中的可用性。