Prediction of insulin resistance using multiple adaptive regression spline in Chinese women
Notice bibliographique
Résumé
Insulin resistance (IR) is the core for type 2 diabetes and metabolic syndrome. The homeostasis assessment model is a straightforward and practical tool for quantifying insulin resistance (HOMA-IR). Multiple adaptive regression spline (MARS) is a machine learning method used in many research fields but has yet to be applied to estimating HOMA-IR. This study uses MARS to build an equation to estimate HOMA-IR in pre-menopausal Chinese women based on a sample of 4,071 healthy women aged 20-50 with no major diseases and no medication use for blood pressure, blood glucose or blood lipids. Thirty variables were applied to build the HOMA-IR model, including demographic, laboratory, and lifestyle factors. MARS results in smaller prediction errors than traditional multiple linear regression (MLR) methods, and is thus more accurate. The model was established based on key impact factors including waist-hip ratio (WHR), C reactive protein (CRP), uric acid (UA), total bilirubin (TBIL), leukocyte (WBC), serum glutamic oxaloacetic transaminase (GOT), high-density lipoprotein cholesterol (HDL-C), systolic blood pressure (SBP), serum glutamic pyruvic transaminase (GPT), and triglycerides (TG). The equation is as following:HOMA-IR = 6.634 - 1.448MAX(0, 0.833 - WHR) + 10.152MAX(0, WHR - 0.833) - 1.351MAX(0, 0.7 - CRP) - 0.449MAX(0, CRP - 0.7) + 1.062MAX(0, UA - 8.5) + +1.047(MAX(0, 0.83 - TBIL) + 0.681MAX(0, WBC - 11.53) - 0.071MAX(0, 11.53 - WBC) + 0.043MAX(0, 24 - GOT) - 0.017MAX(0, GOT - 24) + 0.021MAX(0, 59 - HDL) - 0.005MAX(0, HDL - 59) - 0.013MAX(0, 141 - SBP) - 0.033MAX(0, 100 - GPT) + 0.013MAX(0, GPT - 100) - 0.004MAX(303 - TG)Results indicate that MARS is a more precise tool than fasting plasma insulin (FPI) levels, and could be used in the daily practice, and further longitudinal studies are warranted.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».