Não possui cadastro?

Cadastre-se

Já possui conta?

Faça login

Pagamento aprovado... Acessos liberados

Seu pedido foi aprovado com sucesso

Já liberamos o acesso ao espaço exclusivo para assinantes.

Acessar área exclusiva

Pedido não processado :(

Infelizmente o seu pedido não foi processado pela operadora de cartão de crédito

Tente novamente clicando no botão abaixo

Voltar para o checkout

Biblioteca

Biblioteca

A comprehensive multi-task deep learning approach for predicting metabolic syndrome with genetic, nutritional, and clinical data

Artigo de periódico
Hoja de publicación ResumenEtiquetas Relacionadas
A comprehensive multi-task deep learning approach for predicting metabolic syndrome with genetic, nutritional, and clinical data
2024
Acusar erro

Hoja de publicación

Nome da publicação: A comprehensive multi-task deep learning approach for predicting metabolic syndrome with genetic, nutritional, and clinical data

Autores: Minhyuk Lee, Taesung Park, Ji-Yeon Shin, Mira Park

Fuente: Scientific Reports

Publicado en: 2024

Tipo de archivo: Artigo de periódico

Enlace al original

Resumen

Metabolic syndrome (MetS) is a complex disorder characterized by a cluster of metabolic abnormalities, including abdominal obesity, hypertension, elevated triglycerides, reduced high-density lipoprotein cholesterol, and impaired glucose tolerance. It poses a significant public health concern, as individuals with MetS are at an increased risk of developing cardiovascular diseases and type 2 diabetes. Early and accurate identification of individuals at risk for MetS is essential. Various machine learning approaches have been employed to predict MetS, such as logistic regression, support vector machines, and several boosting techniques. However, these methods use MetS as a binary status and do not consider that MetS comprises five components. Therefore, a method that focuses on these characteristics of MetS is needed. In this study, we propose a multi-task deep learning model designed to predict MetS and its five components simultaneously. The benefit of multi-task learning is that it can manage multiple tasks with a single model, and learning related tasks may enhance the model's predictive performance. To assess the efficacy of our proposed method, we compared its performance with that of several single-task approaches, including logistic regression, support vector machine, CatBoost, LightGBM, XGBoost and one-dimensional convolutional neural network. For the construction of our multi-task deep learning model, we utilized data from the Korean Association Resource (KARE) project, which includes 352,228 single nucleotide polymorphisms (SNPs) from 7729 individuals. We also considered lifestyle, dietary, and socio-economic factors that affect chronic diseases, in addition to genomic data. By evaluating metrics such as accuracy, precision, F1-score, and the area under the receiver operating characteristic curve, we demonstrate that our multi-task learning model surpasses traditional single-task machine learning models in predicting MetS.

Resumen traducido por

A síndrome metabólica (SM) é um distúrbio complexo caracterizado por um conjunto de anormalidades metabólicas, incluindo obesidade abdominal, hipertensão, triglicerídeos elevados, redução do colesterol de lipoproteína de alta densidade e tolerância à glicose prejudicada. Ela representa uma preocupação significativa para a saúde pública, pois indivíduos com SM apresentam risco aumentado de desenvolver doenças cardiovasculares e diabetes tipo 2. A identificação precoce e precisa de indivíduos em risco de SM é essencial. Várias abordagens de aprendizado de máquina foram empregadas para prever a SM, como regressão logística, máquinas de vetores de suporte e várias técnicas de reforço. No entanto, esses métodos usam a SM como um status binário e não consideram que a SM compreende cinco componentes. Portanto, é necessário um método que se concentre nessas características da SM. Neste estudo, propomos um modelo de aprendizado profundo multitarefa projetado para prever a SM e seus cinco componentes simultaneamente. O benefício do aprendizado multitarefa é que ele pode gerenciar várias tarefas com um único modelo, e as tarefas relacionadas ao aprendizado podem melhorar o desempenho preditivo do modelo. Para avaliar a eficácia do nosso método proposto, comparamos seu desempenho com o de várias abordagens de tarefa única, incluindo regressão logística, máquina de vetores de suporte, CatBoost, LightGBM, XGBoost e rede neural convolucional unidimensional. Para a construção do nosso modelo de aprendizado profundo multitarefa, utilizamos dados do projeto Korean Association Resource (KARE), que inclui 352.228 polimorfismos de nucleotídeo único (SNPs) de 7.729 indivíduos. Também consideramos fatores de estilo de vida, dieta e socioeconômicos que afetam doenças crônicas, além de dados genômicos. Ao avaliar métricas como exatidão, precisão, pontuação F1 e a área sob a curva característica de operação do receptor, demonstramos que nosso modelo de aprendizado multitarefa supera os modelos tradicionais de aprendizado de máquina de tarefa única na previsão de MetS.

Tags Relacionadas

ObesidadeSíndrome metabólica