Estimating homeostasis model assessment for insulin secretion by using multiple adaptive regression spline in healthy Taiwanese men
Notice bibliographique
Résumé
The prevalence of type 2 diabetes (T2M) has been increasing drastically in recent two decades. One of the main underlying pathophysiology was decreased insulin secretion (ISEC). Even though there were many studies found the related factors affecting ISEC, no study used multiple adaptive regression spline (MARS) to build an equation estimating ISEC. In the present study, we used MARS to estimate hemostasis assessment model of β-cell (HOMA-β) in healthy Taiwanese men. Totally, there were 317 men enrolled. Participants who were taking medications related to metabolic syndrome were excluded. MARS was used to build an equation to estimate HOMA-β. Multiple linear regression (MLR) was taken as a bench mark for comparing the accuracy with MARS. The method with less estimation errors was considered to be more accurate. All the estimation errors were smaller for MARS. This indicated that MARS outperformed MLR. The equation built is shown below. The r 2 of this equation was 0.58. By using MARS, we built an equation which could accurately estimate HOMA-β in a healthy Taiwanese men cohort. The most important factor was HB, followed by TB, education level, sport area, GOT, GPT, and BF. This equation has a practical clinical use and could further explore which were the factors that were related to ISEC.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».