✦
医学科研新动向
✦
A machine-learned model for predicting weight loss success using weight change features early in treatment
npj digital medicine
<2024年11月29日>
研
究
背
景
研究设计
1. 数据来源与模型开发
数据来自三个研究：SMART、Opt-IN、ENGAGED，总计1058名参与者。
SMART（开发数据集，n=281）：采用智能体重秤进行客观测量。
Opt-IN与ENGAGED（验证数据集，n=472）：主要基于自我报告。
2. 模型开发流程
数据清洗与特征提取：
动态特征：如两周内体重变化的均值、范围、斜率、波动性。
静态特征：如年龄、性别、身高、心理自我效能。
3. 机器学习方法：
比较多种模型（随机森林、逻辑回归等），最终选择随机森林。
模型评估：训练集占60%，验证集占20%，测试集占20%。外部验证采用Opt-IN和ENGAGED数据集。
4. 主要工具
SHAP解释模型特征贡献。
性能指标：AUROC、AUPRC、F1加权得分。
核心结果
1）SMART数据集：
训练集：169人（60.1%），验证集：55人（19.6%），测试集：57人（20.3%）。
性别比例：女性占比在训练集、验证集和测试集中分别为72.8%、72.7%、75.4%。男性占比相对较低（约25%）。
种族构成：非西班牙裔白人占主要比例（约60%-62%），其次为非西班牙裔黑人（18%-22%）。
减重成功率：平均成功率为39.0%，其中训练集为38.5%，验证集为38.2%，测试集为40.4%。
2）Opt-IN 数据集：
女性占80.8%，男性为19.2%。
减重成功率略高，为52.7%。
3）ENGAGED 数据集：
样本量较少（30人），女性比例为90%，减重成功率为36.7%。
2. 不同预测模型的性能比较
随机森林模型、传统临床决策规则和逻辑回归模型的表现进行了详细比较，分别评估灵敏度、特异性、F1加权得分、AUROC、AUPRC等指标。
1）传统临床决策规则：
基于>0.5磅/周的减重标准。
灵敏度： 5.5%，大多数减重成功者被错误分类。
特异性： 81.4%，表明预测减重失败者的准确性高。
F1加权得分： 44.4%，预测性能有限。
2）逻辑回归模型：
静态特征：AUROC：68.4%，特异性较高，但灵敏度较低（31.8%）。
动态特征（第14天体重变化）：灵敏度提升至40.9%，AUROC达到76.1%，但预测性能仍不如随机森林。
3）随机森林模型：综合动态和静态特征。
灵敏度：82.2%，显著提高了对减重成功者的捕捉率。
特异性：71.1%，能平衡预测成功与失败的准确性。
AUROC：84.5%，AUPRC：86.3%，均显著高于其他方法。
Brier评分损失：0.173，表明模型校准效果良好。
1）关键特征重要性（按SHAP值排序）：
第14天减重量：对预测成功的贡献最大，SHAP值接近0.08，减重越多，成功可能性越高。
最大体重值和75分位数：反映体重波动范围，与减重失败相关。
斜率：体重变化趋势越稳定（斜率越平缓），减重成功率越高。
基线特征（如年龄和身高）：虽然重要性较低，但在综合预测中具有一定作用。
2）方向性分析：
SHAP图揭示了体重波动越大（如较高的变异范围和最大值），减重失败的可能性越高。
动态特征的解释性强于静态特征。
ROC曲线比较了随机森林模型在Opt-IN和ENGAGED数据集上的泛化性能，展示了模型的灵敏度与特异性平衡。
1）Opt-IN数据集：
AUROC：72.6%，模型能较好地区分减重成功者与失败者。
曲线接近45度参考线，说明数据集的挑战性较大。
2）ENGAGED数据集：
AUROC：84.4%，模型表现更为出色。
灵敏度提升至90.9%，表明对成功者的识别率显著提高。
3）泛化性总结：
SMART模型在外部数据集上的性能仅略低于开发数据集（AUROC为84.5%），表明模型具有较好的跨数据集稳定性。
对比随机森林和逻辑回归在两周体重变化预测中的表现，展示不同方法对减重成功和失败的识别差异。
1）随机森林模型：
综合动态特征（如斜率、第14天减重量）和静态特征（如年龄），准确捕捉个体的减重趋势。
在两周内表现更平滑的减重者预测准确性较高。
2）逻辑回归模型：
仅依赖第14天减重量，导致对高波动性参与者预测不准确。
灵敏度低，存在较高的误分类风险。。
小
结
本研究通过开发随机森林机器学习模型，结合体重变化的动态特征（如第14天减重量、体重波动范围和斜率）与基线静态特征（如年龄和性别），实现了减重成功的早期精准预测。模型在开发数据集（AUROC 84.5%）和泛化数据集（Opt-IN AUROC 72.6%，ENGAGED AUROC 84.4%）上均表现出色，显示了良好的预测能力和跨数据集的稳定性。SHAP解释性分析揭示了动态特征在区分减重成功与失败中的关键作用，为优化肥胖分步式干预提供了可靠依据，同时为临床实践中的个性化治疗和资源分配提供了重要指导。
-END-
文字丨本人点滴积累，如有补充，下方留言即可
（点击左下角“阅读原文”即可获取全文）
