代谢综合征和健康人群营养素摄入量跨年龄组变化的机器学习识别

这是一篇关于代谢综合征和健康人群营养素摄入量跨年龄组变化的机器学习识别的思维导图，主要内容包括：补充材料，表不如图，字不如表，摘要，题目。

代谢综合征和健康人群营养素摄入量跨年龄组变化的机器学习识别

• 题目
  • Machine Learning Identification of Nutrient Intake Variations across Age Groups in Metabolic Syndrome and Healthy Populations
• 摘要
  • 背景/目的
    • 最佳心脏代谢健康( OCH,optimal cardiometabolic health )
    • 利用先进的人工智能方法，对饮食营养、年龄和代谢综合征( MetS )之间的复杂联系进行了全面的研究
  • 方法
    • 使用机器学习( ML )技术，特别是极端梯度提升( XGBoost )和比例风险模型( COX )，对1999年至2018年 NHANES 的数据进行了细致的分析
  • 结果
    • 阐明了年龄与MetS发病率之间的显著相关性，并揭示了年龄特异性饮食模式对MetS的影响
    • 描述了某些膳食成分的消费，即视黄醇、β -隐黄质、维生素C、可可碱、咖啡因、番茄红素和酒精，如何在不同的年龄人口中对MetS产生不同的影响
    • 相同的营养摄入对不同年龄段的MetS具有不同的致病风险，如胆固醇、咖啡因和可可碱等物质的风险因年龄而异
  • 结论
    • 成功地开发了一个高准确性的预测模型，将MetS患者与健康对照者区分开来，从而突出了针对特定年龄人群的饮食干预和MetS管理策略的精准化潜力
    • 这些发现强调了年龄特异性营养指导的重要性，并为今后该领域的研究奠定了基础
• 字不如表
  • Table 1
    • Logistic模型对DR的预测特性
• 表不如图
  • Figure 1
    • 参与者选择和排除标准流程图
    • 删除重复、孕妇、缺失和不合理的数据条目
    • 不合理数据定义为超过属性均值五倍标准差以上的数值
    • 每个数据集包括4个体格检查指标和63个膳食指标
    • 包括单独的人口学信息(性别、年龄)、人体测量学信息(身高、体重)和营养摄入(能量、碳水化合物、纤维、蛋白质、胆固醇等
  • Figure 2
    • 原始数据集(数据集4 )分析
      • （A）直方图分析不同年龄组的分布情况，以及OCH与代谢综合征在不同年龄组的患病率
      • （B）MetS受试者的年龄分布
      • （C）检验数据集4中选取的社会因素(包括性别、年龄、受教育程度、种族/民族、收入PIR)对MetS的风险比
        • 种族/民族
  • Figure 3
    • 模型选择分析
      • (A)使用数据集1的验证集比较4种模型的精度
      • (B)评估这些模型的敏感性和特异性
      • (C)给出了精确召回率曲线
      • (D)利用数据集1的验证集绘制模型评价的ROC曲线
  • Figure 4
    • 膳食因素：特征重要性和p值分布
      • (A)年龄≤44岁的XGBoost模型中特征重要性排名前10的特征
      • (B)年龄≥45岁在XGBoost模型中的前10个特征重要性
      • (C)双侧Wald检验的p值分布，Y轴显示每个曝光的p值的负对数。红色虚线表示p值阈值为0.01
      • 与代谢综合征( HR < 1 )显著负相关的营养素在绿色中突出，与( HR > 1)显著正相关的营养素在红色中突出
  • Figure 5
    • 按年龄组划分的显著性营养元素
    • 白色水平线代表平均值
    • (A）胆固醇作为一种可能的代谢综合征促进营养素在年龄≤44岁的患者中出现
    • (B) 可可碱作为≤44岁患者可能的代谢综合征抑制营养素
    • (C) 碳水化合物作为≥45岁患者可能促进代谢综合征的营养素
    • (D) 咖啡因抑制
• 补充材料
  • Figure A1
    • 方法概述
  • Figure A2
    • 年龄组数据集比较
      • (A、B)精度-召回率和≤44岁年龄组的ROC曲线
      • (C、D)、精度-召回率和年龄≥45岁组的ROC曲线
  • Figure A3
    • 不同数据集下的模型性能比较
    • 评估了使用各种数据集训练的型的有效性
    • “所有年龄所有营养”使用具有所有年龄段的营养指标的数据集
    • “某些年龄所有营养”使用特定年龄组的所有营养指标的数据集
    • “一些年龄一些营养”涉及具有特定年龄的选定营养指标的数据集
    • “所有年龄一些营养”使用具有所有年龄段选定营养指标的数据集
    • (A)不同数据集训练的年龄<44的四个模型的比较。(B)对(A)中模型敏感性和特异性的分析
    • (C)不同数据集训练的年龄>45的四个模型的比较。(D)对(C)中模型的敏感性和特异性的评估
  • Table A1
    • 1117名心血管病代谢健康者和4721名代谢综合征患者的体格检查指标和营养指标分析
  • Table A2
    • 青年组体检指标及营养指标分析( SMOTE )
  • Table A3
    • 中老年队列人群体检指标及营养指标分析( SMOTE )
  • Table A4
    • 采用Cox风险分析(年龄作为协变量)对< 45岁人群进行营养筛查
  • Table A5
    • 采用Cox风险分析(年龄作为协变量)对≥45岁人群进行营养筛查
  • Table A6
    • XGBoost模型训练后的特征重要性(年龄≤44岁)
  • Table A7
    • XGBoost模型训练后的特征重要性(年龄≥45岁)