Vorhersage von Langzeit-Typ-2-Diabetes mit Support-Vektor-Maschine unter Verwendung des oralen Glukosetoleranztests

Diabetes ist eine große Gesundheitslast weltweit. Es gibt erhebliche Beweise dafür, dass Änderungen des Lebensstils und medikamentöse Interventionen Diabetes verhindern können; daher ist eine frühzeitige Identifizierung hochrisikobehafteter Personen wichtig, um gezielte Präventionsstrategien zu entwickeln. In dieser Arbeit präsentieren wir ein automatisches Werkzeug, das maschinelles Lernen verwendet, um die Entwicklung von Typ-2-Diabetes mellitus (T2DM) vorherzusagen. Die Daten, die aus einem oralen Glukosetoleranztest (OGTT) generiert wurden, wurden verwendet, um ein prädiktives Modell basierend auf der Support-Vektor-Maschine (SVM) zu entwickeln. Wir haben die Modelle unter Verwendung der OGTT- und demographischen Daten von 1.492 gesunden Personen, die während der San Antonio Heart Study gesammelt wurden, trainiert und validiert. Diese Studie erfasste die Plasmakonzentrationen von Glukose und Insulin vor der Glukoseaufnahme und zu drei Zeitpunkten danach (30, 60 und 120 Minuten). Darüber hinaus waren persönliche Informationen wie Alter, Ethnizität und Body-Mass-Index Teil des Datensatzes. Anhand von 11 OGTT-Messungen haben wir 61 Merkmale abgeleitet, die dann einen Rang zugewiesen bekamen, und die zehn besten Merkmale wurden mithilfe eines Minimum Redundancy Maximum Relevance Feature Selection-Algorithmus ausgewählt. Alle möglichen Kombinationen der 10 besten gerankten Merkmale wurden verwendet, um SVM-basierte Vorhersagemodelle zu generieren. Diese Forschung zeigt, dass die Plasmakonzentrationen von Glukose und die daraus abgeleiteten Informationen die stärkste prädiktive Leistung für die zukünftige Entwicklung von T2DM haben. Signifikant ist, dass Insulin- und demographische Merkmale keine zusätzliche Leistungssteigerung bei der Vorhersage von Diabetes bieten. Die Ergebnisse dieser Arbeit identifizieren die sparsamen klinischen Daten, die für eine effiziente Vorhersage von T2DM gesammelt werden müssen. Unser Ansatz zeigt eine durchschnittliche Genauigkeit von 96,80 % und eine Sensitivität von 80,09 %, die auf einem Holdout-Set erzielt wurden.