基于机器学习的超重和肥胖女性膳食干预综合脂质反应预测

《Nutrients》:Machine Learning-Based Prediction of Comprehensive Lipid Response to Dietary Interventions in Overweight and Obese Women

【字体: 大 中 小 】 时间:2026年06月19日 来源:Nutrients 5

编辑推荐:

  背景:膳食干预后脂质反应的个体间变异性使超重和肥胖女性的心脏代谢预防复杂化。尽管几种膳食策略平均能改善脂质谱,但全面、多标志物脂质改善的预测因子仍不明确。目的:识别七种膳食干预中综合脂质改善的基线临床预测因子,并评估三种机器学习(Machine Learnin

  
背景:膳食干预后脂质反应的个体间变异性使超重和肥胖女性的心脏代谢预防复杂化。尽管几种膳食策略平均能改善脂质谱,但全面、多标志物脂质改善的预测因子仍不明确。目的:识别七种膳食干预中综合脂质改善的基线临床预测因子,并评估三种机器学习(Machine Learning, ML)分类器在预测复合全球评分(Global Score)方面的性能。方法:本研究为二次分析,汇总了来自三项随机对照试验(Randomized Controlled Trials, RCTs)的284名超重或肥胖女性的个体水平数据。参与者被分配至持续能量限制(Continuous Energy Restriction, CER)、间歇性能量限制(Intermittent Energy Restriction, IER)、间歇性能量与碳水化合物限制(Intermittent Energy and Carbohydrate Restriction, IECR)、IECR加额外蛋白质和脂肪(IECR+PF)、高碳水化合物、高单不饱和脂肪或每日能量限制饮食。11项基线临床特征作为预测因子。从基线到第12周计算四个二元脂质改善评分(总胆固醇/高密度脂蛋白胆固醇[TC/HDL]、低密度脂蛋白胆固醇/高密度脂蛋白胆固醇[LDL/HDL]、非高密度脂蛋白胆固醇[Non-HDL cholesterol]、甘油三酯/高密度脂蛋白胆固醇[TG/HDL]),复合全球评分仅当所有四项评分均改善时定义为真(TRUE)。使用分层10折交叉验证评估三种机器学习分类器(J48、逻辑模型树[Logistic Model Tree, LMT]、随机森林[Random Forest])。结果:总体30–35%的参与者达到全球评分改善。不同饮食方案改善率各异,高单不饱和脂肪和低碳水化合物饮食组最高(48.4%)。LMT表现最佳(曲线下面积[AUC] = 0.66;准确率 = 70%)。基线甘油三酯(Triglycerides, TG)、体重指数(Body Mass Index, BMI)、年龄、总胆固醇(Total Cholesterol, TC)和体重是最强的预测因子。结论:综合脂质改善因膳食策略而异,并受基线甘油三酯、肥胖程度、年龄和饮食类型的影响。基于机器学习的分层可能支持个性化饮食处方。
**论文解读:基于机器学习的膳食干预综合脂质反应预测**

**研究背景与问题**
心血管疾病(Cardiovascular Disease, CVD)是导致高收入国家发病率和死亡率的主要原因,而血脂异常——表现为低密度脂蛋白(Low-Density Lipoprotein, LDL)胆固醇升高、高密度脂蛋白(High-Density Lipoprotein, HDL)胆固醇降低、甘油三酯(Triglycerides, TG)升高以及不利的脂蛋白比值——是其核心可调控风险因素。复合脂质比值(如总胆固醇/高密度脂蛋白[TC/HDL]、低密度脂蛋白/高密度脂蛋白[LDL/HDL]和甘油三酯/高密度脂蛋白[TG/HDL])在预测心血管事件方面优于单个标志物。超重和肥胖女性因脂肪组织相关的代谢失调,其膳食脂质反应个体间变异尤为显著。现有研究多关注平均效应,缺乏对综合多标志物脂质改善的预测工具。尽管间歇性能量限制和宏量营养素组成(如高单不饱和脂肪和高碳水化合物饮食)对脂质代谢有不同影响,但为何部分个体能实现全面改善而其他个体不能,其背后的基线预测因子尚不清楚。基于机器学习的个性化营养策略有潜力提高干预精准性,但既往模型多依赖基因组、微生物组等高维数据,而临床易获取变量的预测价值尚未在多种膳食干预中充分探索。为此,研究人员开展了这项研究,旨在:(1)量化超重和肥胖女性在七种膳食干预中单个脂质标志物及复合综合脂质改善(全球评分,Global Score)的改善率;(2)评估三种机器学习(Machine Learning, ML)分类器(J48决策树、逻辑模型树[Logistic Model Tree, LMT]、随机森林[Random Forest])预测全球评分的能力;(3)识别与治疗成功最相关的基线临床特征;(4)检验可解释模型(J48)的决策路径。该研究发表在《Nutrients》。

**主要方法与技术**
本研究为二次分析,汇总了来自三项已发表随机对照试验(RCTs)的284名超重或肥胖女性个体数据。参与者被分配至七种膳食干预:持续能量限制(CER)、间歇性能量限制(IER)、间歇性能量与碳水化合物限制(IECR)、IECR加额外蛋白质和脂肪(IECR+PF)、高碳水化合物饮食(High Carb)、高单不饱和脂肪饮食(High Mono)以及每日能量限制(DER)。基线时提取11项临床特征(年龄、体重、体重指数[BMI]、腰围、臀围、腰臀比[WHR]、HDL、总胆固醇[TC]、TG、空腹血糖和LDL)作为预测因子。定义4个二元脂质改善评分(TC/HDL比值、LDL/HDL比值、非HDL胆固醇、TG/HDL比值),并构建复合全球评分(仅当所有4项同时改善时为真)。使用J48决策树、LMT和随机森林三种ML分类器进行训练,采用分层10折交叉验证评估性能,并以随机森林的特征重要性(平均不纯度减少)排序预测因子贡献。

**研究结果**

**3.1 各脂质评分的改善率**
通过计算基线至第12周各脂质标志物改善率,发现整体全球评分(Global Score)改善率为32.3%(284名中92名)。其中非HDL胆固醇改善率最高(65.8%),其次为TG/HDL(55.6%)、TC/HDL(52.8%),LDL/HDL改善率最低(50.0%)。不同膳食干预间差异显著:High Mono和High Carb的全球评分改善率均为48.4%,在所有单项评分中也名列前茅;High Mono在TC/HDL(67.7%)和LDL/HDL(64.5%)改善率最高,High Carb在非HDL胆固醇改善率(87.1%)领先;而DER在所有单项评分中改善率最低。此外,所有膳食干预均显著减小腰围和臀围(均p<0.001),但腰臀比(WHR)无显著变化。

**3.2 机器学习分类器性能**
通过分层10折交叉验证评估三种分类器预测全球评分的能力,LMT在所有五项指标中表现最佳:曲线下面积(AUC)=0.66,准确率=70%,F1分数=0.67,召回率=0.70,精确率=0.68。随机森林次之(AUC=0.62,准确率=68%),J48最低(AUC=0.58,准确率=65%)。所有模型AUC均超过随机水平(0.50),但判别能力中等。

**3.3 特征重要性**
利用随机森林的特征重要性分析(平均不纯度减少,Mean Decrease in Impurity, MDI),发现11个基线预测因子权重分布相对均匀,无单一标志物主导。排名前五的特征为:基线TG(9.7%)、BMI(9.6%)、年龄(9.0%)、总胆固醇(9.0%)和体重(8.8%),HDL重要性最低(6.0%)。提示综合预测需整合多个人体测量和生化指标。

**3.4 年龄分组分析**
将参与者按年龄分为≤44岁和≥45岁两组,发现≥45岁女性全球评分改善率几乎是年轻女性的两倍(42.9% vs. 24.8%)。该趋势在三个BMI类别中一致存在,其中BMI 30–35 kg/m2组差异最大(51.4% vs. 32.1%)。膳食干预可调节年龄效应:≥45岁女性中IER改善率达60.0%,High Carb为66.7%,CER为50.0%。

**3.5 BMI分组分析**
按BMI三分组分析非线性关系:中度肥胖(BMI 30–35 kg/m2)组全球评分改善率最高(40.0%),超重组(BMI 25–30 kg/m2)次之(32.8%),重度肥胖组(BMI >35 kg/m2)最低(22.7%)。该倒U型分布提示中度肥胖可能具有更大代谢灵活性。

**3.6 基线胆固醇水平作为反应预测因子**
基线总胆固醇>6.0 mmol/L的女性(n=65)全球评分改善率显著高于正常范围者(46.2% vs. 28.3%),在CER和IER中效果最明显(均+38个百分点),但IECR+PF中该效应消失。

**3.7 减重与胆固醇改善的关系**
分别比较全球评分真(TRUE)组和假(FALSE)组的第8周减重量,发现TRUE组平均减重更大,但分布重叠显著。许多FALSE组女性减重明显却未实现脂质改善,而部分TRUE组女性减重幅度小但脂质改善显著。该解耦现象在所有膳食组中约60–72%的参与者中观察到,High Carb和High Mono组解耦率较低(52%)。

**3.8 J48决策树:可解释的预测规则**
将饮食类型加入11个基线特征后,J48的根节点以基线TG(≤0.87 vs. >0.87 mmol/L)分割:低TG者直接判定为FALSE(78/91,85.7%)。TG>0.87 mmol/L者再按膳食类型分叉:间歇限制组(IER、IECR、IECR+PF)的预测依赖于LDL、腰围、HDL、年龄等心血管标志物;持续限制与宏量营养素组(CER、High Mono、High Carb、DER)则主要受体重等体组成特征驱动。例如,在间歇限制通路中,IECR+PF组以BMI和空腹血糖为决策节点;持续限制通路中,CER直接判定为TRUE,其余方案则以体重(≤71.9 kg为TRUE)分割。

**讨论与结论**
讨论强调基线TG是最强预测因子(特征重要性达45.42%),其根节点阈值0.87 mmol/L远低于常规临床高值(1.7 mmol/L),反映低正常TG者生理改进空间有限(地板效应)。年龄≥45岁和中度肥胖(BMI 30–35 kg/m2)与更高改善率相关,而年龄与BMI存在显著交互作用(逻辑回归交互项p=0.040),提示年龄优势在高BMI被削弱。减重与脂质改善的解耦现象表明,热量不足本身不足以驱动有利的脂质重塑,宏量营养素成分(尤其是High Mono和High Carb)可能通过肠道微生物群产生短链脂肪酸和胆汁酸代谢等机制发挥独立效应。机器学习模型判别能力中等(LMT AUC=0.66),且仅在内部交叉验证中评估,尚未经外部验证,因此需视为假说生成证据而非临床工具。

研究结论翻译如下:
综合脂质改善在七种膳食干预的超重和肥胖女性中约三分之一达到,宏量营养素聚焦策略(尤其是High Mono和High Carb)持续优于能量限制方案。机器学习分析提示基线TG水平、膳食干预类型、LDL胆固醇、体重和BMI可能作为临床有信息的反应预测因子,且脂质改善的决策规则可能因膳食方案类型而异——但这些模式需在更大前瞻性数据中重复后才能得出结论。显著的年龄×BMI交互作用(p=0.034)表明,脂质反应性的年龄优势在高肥胖度中被削弱。能量限制方案中约三分之二参与者出现的减重与脂质改善解耦现象表明,热量不足本身不足以预测有利的脂质重塑,并强调需开展纳入遗传、线粒体和胰岛素敏感性谱系的机制研究。需认识到预测模型仅表现出中等判别能力(LMT AUC=0.66),且仅通过内部交叉验证评估,未在独立队列中测试。因此,这些发现应视为基于机器学习的膳食脂质反应分层具有可行性的初步假说生成证据,而非验证后的临床预测工具。独立队列的前瞻性外部验证、模型判别性能提升以及更广泛生物学预测因子(包括遗传变异、肠道微生物组组成和客观膳食依从性指标)的整合,是这些发现可考虑临床转化的必要前提。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号