Using Machine Learning to Detect Factors That Affect Homocysteine in Healthy Elderly Taiwanese Men
Notice bibliographique
Résumé
Background: Homocysteine (Hcy) is a sulfur-containing amino acid crucial for various physiological processes, with elevated levels linked to cardiovascular and neurological adverse conditions. Various factors contribute to high Hcy, and past studies of impact factors relied on traditional statistical methods. Recently, machine learning (ML) techniques have greatly improved and are now widely applied in medical research. This study used four ML methods to identify key factors influencing Hcy in healthy elderly Taiwanese men, comparing their accuracy using multiple linear regression (MLR). The study seeks to improve Hcy prediction accuracy and provide insights into relevant impact factors. Methods: A total of 468 healthy elderly men were studied in terms of 33 parameters using four ML methods: random forest (RF), stochastic gradient boosting (SGB), eXtreme gradient boosting (XGBoost), and elastic net (EN). MLR served as a benchmark. Model performance was assessed using SMAPE, RAE, RRSE, and RMSE. Results: All ML methods demonstrated lower prediction errors than MLR, indicating higher accuracy. By averaging the importance scores from the four ML models, C-reactive protein (CRP) emerged as the leading impact factor for Hcy, followed by GPT, WBC, LDH, eGFR, and sport volume (SV). Conclusions: Machine learning methods outperformed MLR in predicting Hcy levels in healthy elderly Taiwanese men. CRP was identified as the most crucial factor, followed by GPT/ALT, WBC, LDH, and eGFR.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».