基于機(jī)器學(xué)習(xí)算法的超重/肥胖患者減重效果預(yù)測模型構(gòu)建及影響因素分析▲

趙冉冉 鄧志杰 楊榕桂 黃麗嬋 孫桂麗

[1 南寧市第二人民醫(yī)院(廣西醫(yī)科大學(xué)第三附屬醫(yī)院)臨床營養(yǎng)科,廣西南寧市 530031; 2 俄亥俄州立大學(xué)教育和人類生態(tài)學(xué)院營養(yǎng)系,美國哥倫布市 43210]

WHO報(bào)告,2020年的全球肥胖人口較1975年增加兩倍[1],中國肥胖人口目前位居全球第一[2]。與肥胖相關(guān)的疾病如2型糖尿病(type 2 diabetes mellitus,T2DM)、心腦血管疾病等的發(fā)病率也隨之增加,這不僅對人們的健康造成巨大威脅,也給社會帶來沉重的醫(yī)療負(fù)擔(dān)[3]。因此,預(yù)防超重/肥胖,以及降低超重/肥胖患者的體重是亟待解決的公共衛(wèi)生問題。全生活方式管理是一種較為經(jīng)濟(jì)、方便的減重方式,主要包括飲食管理、行為干預(yù)和體育鍛煉。飲食管理在臨床上又被稱為醫(yī)學(xué)營養(yǎng)管理,是一種有效的減重方式[4],但其減重效果受環(huán)境、個體肥胖程度、遺傳及疾病狀態(tài)等多種因素的影響[5-8]。建立超重/肥胖患者減重效果的預(yù)測模型,尋找影響減重效果的重要因素,并針對相關(guān)影響因素采取有效措施,對于提高超重/肥胖患者的減重效果,改善其健康狀況具有重要意義。

機(jī)器學(xué)習(xí)是人工智能的分支,也是人工智能的核心之一。隨著計(jì)算機(jī)技術(shù)和數(shù)據(jù)科學(xué)的不斷發(fā)展,機(jī)器學(xué)習(xí)算法已被廣泛應(yīng)用于醫(yī)療領(lǐng)域,在疾病的診斷、治療和預(yù)后評估中發(fā)揮越來越重要的作用[9],但鮮有機(jī)器學(xué)習(xí)算法在減重效果評估領(lǐng)域中的研究報(bào)告。本研究應(yīng)用Logistic回歸、K近鄰、決策樹、隨機(jī)森林、支持向量機(jī)和樸素貝葉斯 6種機(jī)器學(xué)習(xí)算法模型預(yù)測超重/肥胖患者的減重效果,探索人工智能技術(shù)在減重效果評估領(lǐng)域中的應(yīng)用價(jià)值和可能性,并分析與超重/肥胖患者減重效果密切相關(guān)的因素,為提高患者減重效果提供參考。

1 資料與方法

1.1 臨床資料 回顧性分析2018年9月至2022年9月在南寧市第二人民醫(yī)院臨床營養(yǎng)科接受減重干預(yù)的680例超重/肥胖患者的臨床資料。納入標(biāo)準(zhǔn):年齡≥18歲;體質(zhì)指數(shù)≥24 kg/m2,且男性腰圍≥85 cm、女性腰圍≥80 cm。排除標(biāo)準(zhǔn):妊娠期或哺乳期婦女;合并嚴(yán)重的肝、腎、消化道、心腦血管疾病,以及糖尿病等內(nèi)分泌代謝性疾病的患者;合并傳染性疾病、精神性疾病和惡性腫瘤等慢性消耗性疾病的患者。680例超重/肥胖患者中男性31例、女性649例,年齡18～64(32.93±6.07)歲。所有研究對象對本研究知情并簽署知情同意書。本研究已獲得南寧市第二人民醫(yī)院醫(yī)學(xué)倫理委員會批準(zhǔn)(批準(zhǔn)號:20190101)。

1.2 建立數(shù)據(jù)集 本研究以一般信息(性別和年齡)、疾病診斷、減重時(shí)長、干預(yù)前體格測量指標(biāo)、干預(yù)前體成分分析指標(biāo)等80個指標(biāo)作為基本特征變量,以減重效果作為結(jié)局變量,建立數(shù)據(jù)集。根據(jù)《中國超重/肥胖醫(yī)學(xué)營養(yǎng)治療指南(2021)》[4],將體重下降≥5%判定為減重效果良好,體重下降<5%判定為減重效果不佳。其中,T2DM和多囊卵巢綜合征的診斷分別參照《中國2型糖尿病指南(2020年版)》[10]和《多囊卵巢綜合征診斷:WS330-2011》[11]中的相關(guān)標(biāo)準(zhǔn);采用人體成分分析儀(InBody公司,型號:InBody 770)檢測人體成分分析指標(biāo)。

1.3 篩選特征變量 采用基于隨機(jī)森林算法的10折交叉驗(yàn)證遞歸特征消除算法篩選特征變量。遞歸特征消除是根據(jù)模型的準(zhǔn)確率選擇特征變量的遞歸過程。在每次重采樣迭代中,計(jì)算每一種變量的權(quán)重值,消除權(quán)重值絕對值最小的變量,對剔除后的特征集進(jìn)行10折交叉驗(yàn)證,并計(jì)算隨機(jī)森林模型的性能指標(biāo)(準(zhǔn)確率),重復(fù)遞歸過程。選擇模型性能最優(yōu)的特征集合作為特征變量,然后采用R語言(Version 4.0.3)caret包的nearZeroVar函數(shù)篩選接近零方差的變量并予以刪除。本研究中,剔除接近零方差的變量(性別、合并脂肪肝、合并高血壓和合并高脂血癥等)后,最終納入38個特征變量(模型準(zhǔn)確率最高的特征集合,準(zhǔn)確率為0.873),見圖1。

圖1 基于10折交叉驗(yàn)證遞歸特征消除算法篩選的特征變量圖

1.4 機(jī)器學(xué)習(xí)算法預(yù)測模型的構(gòu)建和評價(jià)

1.4.1 數(shù)據(jù)切分:采用分層隨機(jī)抽樣法(以減重效果為分層標(biāo)準(zhǔn)),將680例患者按近似7 ∶3的比例分為訓(xùn)練集(475例)和驗(yàn)證集(205例)。

1.4.2 建模:在訓(xùn)練集中,以減重效果為因變量,以篩選得到的38個特征變量為自變量,分別應(yīng)用Logistic回歸、K近鄰、決策樹、隨機(jī)森林、支持向量機(jī)和樸素貝葉斯6種機(jī)器學(xué)習(xí)算法構(gòu)建預(yù)測模型。Logistic回歸、K近鄰和支持向量機(jī)在建模前將所有連續(xù)型變量進(jìn)行Z-score標(biāo)準(zhǔn)化。對于有參算法(K近鄰、決策樹、隨機(jī)森林、支持向量機(jī)和樸素貝葉斯),采用重復(fù)10次的5折交叉驗(yàn)證和網(wǎng)格搜索對訓(xùn)練集的數(shù)據(jù)進(jìn)行優(yōu)化,使用優(yōu)化后的數(shù)據(jù)構(gòu)建模型;對于無參算法(Logistic回歸),則直接使用訓(xùn)練集的數(shù)據(jù)構(gòu)建模型。

1.4.3 模型評價(jià):把驗(yàn)證集數(shù)據(jù)分別導(dǎo)入6個預(yù)測模型,根據(jù)受試者工作特征(receiver operating characteristic,ROC)曲線下面積(area under the curve,AUC) 、準(zhǔn)確率、精確率、召回率和F1分?jǐn)?shù)評價(jià)模型的預(yù)測效能。

1.4.4 特征變量重要性分析:自變量的重要性可以反映自變量與因變量的關(guān)系,有助于解釋每個自變量對預(yù)測模型預(yù)測效能的貢獻(xiàn)大小。為了評估每個預(yù)測模型中特征變量的相對重要性,本研究采用R語言(Version 4.0.3)caret包的varImp函數(shù)計(jì)算特征變量的重要性,并采用R語言(Version 4.0.3)tidyverse包對每個預(yù)測模型中重要性排名前10的特征變量進(jìn)行可視化。

1.5 統(tǒng)計(jì)學(xué)分析 采用R語言(Version 4.0.3)進(jìn)行統(tǒng)計(jì)學(xué)分析和構(gòu)建機(jī)器學(xué)習(xí)算法預(yù)測模型。正態(tài)分布的計(jì)量資料以(x±s)表示,組間比較采用兩獨(dú)立樣本t檢驗(yàn);非正態(tài)分布的計(jì)量資料以[M(P25,P75)]表示,組間比較采用Wilcoxon秩和檢驗(yàn)。計(jì)數(shù)資料以例數(shù)表示,組間比較用χ2檢驗(yàn)。采用Delong檢驗(yàn)比較不同預(yù)測模型的AUC。以P<0.05為差異具有統(tǒng)計(jì)學(xué)意義。

2 結(jié) 果

2.1 訓(xùn)練集和驗(yàn)證集的結(jié)局變量、特征變量的比較 訓(xùn)練集和驗(yàn)證集的結(jié)局變量,以及38個特征變量差異無統(tǒng)計(jì)學(xué)意義(P<0.05),說明兩個數(shù)據(jù)集的變量分配均衡,見表1。

表1 訓(xùn)練集和驗(yàn)證集的結(jié)局變量、特征變量的比較

2.2 不同機(jī)器學(xué)習(xí)算法的預(yù)測模型評價(jià)結(jié)果 所有預(yù)測模型的AUC和準(zhǔn)確率均>0.8,精確率在0.440～0.667之間,隨機(jī)森林預(yù)測模型的AUC及精確率均最大;決策樹預(yù)測模型的召回率和F1分?jǐn)?shù)分別為0.621和0.610,其他預(yù)測模型的召回率和F1分?jǐn)?shù)均<0.5。Logistic回歸預(yù)測模型、決策樹預(yù)測模型、K近鄰預(yù)測模型、支持向量機(jī)預(yù)測模型和樸素貝葉斯預(yù)測模型的AUC(驗(yàn)證集)分別與隨機(jī)森林預(yù)測模型的AUC(驗(yàn)證集)比較,差異無統(tǒng)計(jì)學(xué)意義(P>0.05),見表2、圖2、圖3。

表2 不同機(jī)器學(xué)習(xí)算法預(yù)測模型的預(yù)測效能指標(biāo)

圖2 訓(xùn)練集的ROC曲線圖 圖3 驗(yàn)證集的ROC曲線圖

2.3 特征變量重要性的分析結(jié)果 減重時(shí)長在6種機(jī)器學(xué)習(xí)算法預(yù)測模型中的重要性均占首位,在Logistic回歸預(yù)測模型中,其與合并多囊卵巢綜合征的重要性并列首位。頸圍、軀干脂肪含量百分比、右臂脂肪含量百分比在5種機(jī)器學(xué)習(xí)算法預(yù)測模型中的重要性均位列前10,全身脂肪含量、左上臂圍、右上臂圍在4種機(jī)器學(xué)習(xí)算法預(yù)測模型中的重要性位列前10,見圖4。

圖4 減重效果預(yù)測模型的特征變量重要性排名(前10位)圖

3 討 論

機(jī)器學(xué)習(xí)算法已經(jīng)被廣泛應(yīng)用于醫(yī)療衛(wèi)生領(lǐng)域并逐漸成熟,然而,鮮有基于機(jī)器學(xué)習(xí)算法預(yù)測超重/肥胖患者減重效果的研究。鑒于超重/肥胖可對人體健康造成一定的威脅,因此采用機(jī)器學(xué)習(xí)算法預(yù)測超重/肥胖患者的減重效果并探索其影響因素具有一定的臨床價(jià)值。本研究采用Logistic回歸、決策樹、K近鄰、支持向量機(jī)、樸素貝葉斯和隨機(jī)森林6種常見的機(jī)器學(xué)習(xí)算法預(yù)測超重/肥胖患者的減重效果,所有預(yù)測模型的AUC和準(zhǔn)確率均>0.8,提示其具有較好的預(yù)測性能。雖然其余5種機(jī)器學(xué)習(xí)算法預(yù)測模型的AUC與隨機(jī)森林預(yù)測模型的AUC差異無統(tǒng)計(jì)學(xué)意義(P>0.05),但是隨機(jī)森林預(yù)測模型的AUC最大,因此其預(yù)測性能相對更好。

本研究還進(jìn)一步對納入6種機(jī)器學(xué)習(xí)算法預(yù)測模型的特征變量的重要性進(jìn)行分析,結(jié)果顯示減重時(shí)長是影響減重效果的首要因素。減重時(shí)長受減重者依從性的影響,而減重依從性又受腸道激素、代謝適應(yīng)、心理因素等多種因素的影響[12-14]。在多項(xiàng)采用飲食管理進(jìn)行減重的研究中,研究對象的失訪率均較高,依從性差異較大[15-17]。Sumithran等[18]對50例重度肥胖患者進(jìn)行為期10周的極低能量飲食干預(yù)并隨訪52周后發(fā)現(xiàn),重度肥胖患者在第10周時(shí)的體重平均減輕13.5 kg,在第62周時(shí)的體重平均減輕7.9 kg,其饑餓程度及進(jìn)食欲望均有所增加,體重有所反彈,外周血中厭食性腸道激素肽YY、膽囊收縮素、淀粉樣蛋白、胰島素和瘦素水平顯著下降,而胃饑餓素、抑胃肽和胰多肽水平升高,且在整個研究期間失訪率高達(dá)32%。靜息能量消耗占人體一天總能量消耗的60%～70%,其主要由身體成分決定,當(dāng)非脂肪質(zhì)量伴隨著體質(zhì)量的減少而有所損失時(shí),靜息能量消耗也隨之降低,這種現(xiàn)象稱為代謝適應(yīng)[12]。有學(xué)者發(fā)現(xiàn),在接受代謝手術(shù)的減重者和未行代謝手術(shù)的減重者中都存在這種代謝適應(yīng)[19],且代謝適應(yīng)持續(xù)時(shí)間可長達(dá)1～2年,使減重者喪失自信,終止減重[20]。此外,減重者的心理因素在減重依從性中也起著至關(guān)重要的作用,食欲調(diào)節(jié)涉及饑餓感、飽腹感、自我獎勵和認(rèn)知控制等多種心理感受[21],這些心理感受由外界環(huán)境和中樞神經(jīng)生物學(xué)相互作用而產(chǎn)生[22]。積極愉悅、消極悲傷的心理感受都可以引發(fā)肥胖患者對享受食物的渴望,促使其攝入更多的食物[23],尤其是能量密度高的食物[24]。以上研究說明腸道激素、代謝適應(yīng)、心理因素可通過刺激食物攝入或抑制能量消耗,導(dǎo)致減重者體重反彈,從而降低其減重動力和依從性,中斷減重干預(yù),進(jìn)而影響減重效果。

本研究結(jié)果顯示,軀干脂肪含量百分比、右臂脂肪含量百分比、全身脂肪含量也是影響超重/肥胖患者減重效果的重要因素,說明脂肪含量與減重效果有一定的關(guān)系。研究顯示,限制飲食可以減少體內(nèi)脂肪含量和非脂肪含量(或瘦體重)[25]。但是在減重人群中,減少的非脂肪質(zhì)量僅占體重減少總量的20%～30%,這類人群的減重更多是減少脂肪質(zhì)量[25-26]。與肥胖男性相比,肥胖女性減重往往能夠減掉更多的脂肪質(zhì)量,尤其是在減重早期[27],可能是因?yàn)榕缘闹竞勘饶行愿摺Ｒ延卸囗?xiàng)研究表明,無論采用何種膳食模式或者運(yùn)動方式進(jìn)行減重,脂肪的減少量遠(yuǎn)多于瘦體重或者非脂肪含量[28-30]。但是也有研究顯示,在減重早期(4～6周)減掉的體重中,瘦體重的占比更大,脂肪占比不足瘦體重的一半,但隨后脂肪減少量占比逐漸增加,直到24周以后,減掉的體重幾乎全部來自脂肪[31]。有學(xué)者發(fā)現(xiàn),減重過程中脂肪量的減少可能與瘦素水平、甲狀腺狀態(tài)和交感神經(jīng)系統(tǒng)的活動有關(guān)[32-34]。

頸圍、左上臂圍、右上臂圍是人體成分的圍度指標(biāo),在本研究中三者也是影響超重/肥胖患者減重效果的重要因素。頸圍作為中心性肥胖的人體測量指標(biāo),是識別超重/肥胖患者的簡單指標(biāo)[35-37],頸圍越大,肥胖程度越高。但目前鮮有頸圍與超重/肥胖患者減重效果的相關(guān)性研究,或許今后可以通過分析肥胖程度與減重效果的關(guān)系探索頸圍對減重效果的影響。研究顯示,不同肥胖程度人群的減重效果存在差異可能與其體內(nèi)慢性炎癥狀態(tài)有關(guān)[38-39]。嚴(yán)重肥胖患者的肥胖相關(guān)并發(fā)癥發(fā)生率和病死率較正常體重人群或超重者更高,而且血液中的炎癥因子水平也更高,減重效果更差[38,40]。有學(xué)者采用針灸方法對1 528 例合并高脂血癥的肥胖患者進(jìn)行減重干預(yù),結(jié)果顯示輕度肥胖患者的減重效果最佳,而重度肥胖患者的體脂率和血脂水平改善效果最明顯[41]。但是也有研究表明,肥胖程度越高的患者,減重的成功率越高,減重效果維持時(shí)間也越長[42-44]。由此可見,在以往的研究中,肥胖程度對減重效果影響的結(jié)論尚不一致,且頸圍與減重效果的關(guān)系仍不明確。上臂圍與上臂和全身的脂肪含量顯著相關(guān)[45]。盡管有研究顯示上臂圍與肌肉含量存在相關(guān)性,但是這種相關(guān)性僅存在于非重度肥胖和非浮腫的男性中[45-46]。目前有關(guān)上臂圍的研究主要集中在老年人營養(yǎng)不良或肌肉衰減上,關(guān)于其與超重/肥胖患者減重效果的研究較少。

本研究存在一定的局限性:性別、脂肪肝、高脂血癥和高血壓等特征變量在本研究中均為零方差變量,未納入預(yù)測模型,未能分析它們對減重效果的影響。雖然預(yù)測模型的準(zhǔn)確率較高,但是召回率偏低,說明預(yù)測模型正確識別減重效果差異的總體性能較好,但是正確識別減重效果良好的性能較低,今后仍需納入更多的特征變量優(yōu)化當(dāng)前的預(yù)測模型。

綜上所述,采用6種機(jī)器學(xué)習(xí)算法構(gòu)建的預(yù)測模型對超重/肥胖患者減重效果均具有一定的預(yù)測效能,其中隨機(jī)森林預(yù)測模型的預(yù)測效能相對更優(yōu),可輔助應(yīng)用于超重/肥胖患者的醫(yī)學(xué)營養(yǎng)管理。減重時(shí)長、身體脂肪含量(軀干脂肪含量百分比、右臂脂肪含量百分比、全身脂肪含量)、頸圍和雙側(cè)上臂圍等指標(biāo)與超重/肥胖患者的減重效果密切相關(guān),臨床上可針對上述因素制訂相應(yīng)干預(yù)措施,以提高患者的減重效果。