Model pembelajaran mesin untuk menentukan hubungan antara sindrom metabolik dan laktasi
Dalam penelitian terbaru yang dipublikasikan di Scientific Reports, para peneliti mengembangkan dan memvalidasi model pembelajaran mesin untuk menyelidiki hubungan laktasi dengan risiko sindrom metabolik, dan membandingkan kepentingan klinisnya dengan faktor risiko lain yang diketahui untuk kondisi tersebut.
Latar belakang
Sindrom metabolik, yang meliputi hipertensi, dislipidemia, resistensi insulin, dan obesitas sentral, dikaitkan dengan diabetes tipe 2 dan penyakit kardiovaskular. Para peneliti bertujuan untuk menurunkan risiko ini, terutama selama peristiwa yang berhubungan dengan kehamilan seperti melahirkan dan menyusui.
Meskipun menyusui melindungi terhadap perubahan metabolisme yang disebabkan oleh kehamilan, beberapa penelitian tidak menemukan kaitannya. Memahami hubungan ini sangat penting untuk merancang metode pencegahan.
Tentang penelitian
Dalam penelitian ini, para peneliti menguji hubungan antara ciri-ciri obstetrik seperti sindrom metabolik dan laktasi dengan terjadinya penyakit kardiovaskular (CVD) di kalangan wanita Asia.
Tim menggunakan kecerdasan buatan untuk mengembangkan model prediksi sindrom metabolik dengan mempertimbangkan 86 variabel, seperti fitur obstetrik umum, demografi, riwayat kesehatan, pilihan makanan, kebiasaan gaya hidup, dan aspek sosial ekonomi.
Penelitian ini melibatkan 30.204 perempuan peserta Survei Pemeriksaan Kesehatan dan Gizi Nasional Korea 2010-2109 (KNHANES) berusia ≥20 tahun.
Sindrom metabolik adalah variabel studi dependen, dan 86 variabel tipe independen terdiri dari faktor demografi dan sosial ekonomi serta data medis dan obstetri, termasuk penyakit kardiovaskular dan durasi laktasi. Tim tersebut mengecualikan individu dengan sindrom metabolik yang tidak lengkap atau data penyakit kardiovaskular.
Tim menggunakan kuesioner untuk mengukur data sosiodemografi seperti usia saat perekrutan, jenis kelamin, indeks massa tubuh (BMI), pendapatan keluarga, tempat tinggal, tingkat pendidikan, kegiatan ekonomi, status perkawinan, dan profesi.
Survei juga mengungkapkan faktor obstetri umum seperti paritas, graviditas, laktasi, riwayat aborsi, usia menarche, dan status menstruasi.
Para peneliti melakukan wawancara untuk mengetahui angka prevalensi penyakit seperti hipertensi, infark miokard, angina, stroke, osteoarthritis, rheumatoid arthritis, tuberkulosis paru, asma, gangguan tiroid, gangguan depresi mayor, gagal ginjal, hepatitis B, hepatitis C, sirosis hati. , kanker, dan dermatitis atopik.
Survei tersebut juga mencakup pertanyaan tentang riwayat keluarga hiperlipidemia, hipertensi, diabetes melitus, penyakit jantung iskemik, dan stroke.
Tim menggunakan skala Kualitas Hidup Eropa-5 Dimensi (EQ-5D) untuk mengukur kualitas hidup, dan survei nutrisi menentukan asupan harian kalori, karbohidrat, protein, lemak, garam, air, kalsium, fosfor, zat besi, vitamin. C, dan kalium. Diagnosis CVD memerlukan adanya hipertensi, angina, atau infark miokard.
Para peneliti memperkirakan risiko sindrom metabolik menggunakan beberapa algoritma, termasuk jaringan saraf tiruan, pohon keputusan, naïve Bayes, regresi logistik, mesin vektor dukungan, dan pengklasifikasi hutan acak. Mereka membagi masing-masing 70% dan 30% data untuk pelatihan dan validasi model.
Mereka menggunakan nilai kurva akurasi dan area di bawah kurva (AUC) untuk memvalidasi model dan relevansi hutan acak untuk menyelidiki prediktor sindrom metabolik primer.
Hasil
Studi ini memeriksa data dari 30.204 pasien (usia rata-rata, 51 tahun) dengan prevalensi sindrom metabolik sebesar 28%. Pengklasifikasi hutan acak menunjukkan AUC tertinggi, dengan akurasi 91% untuk semua peserta, 88% untuk mereka yang didiagnosis menderita penyakit kardiovaskular, dan 83% untuk mereka yang tidak terdiagnosis.
Penduga sindrom metabolik utama adalah BMI, penggunaan obat antihipertensi, hipertensi, CVD, usia saat mendaftar, jumlah leukosit, kadar kolesterol lipoprotein tipe densitas rendah (LDL), status menstruasi, penggunaan obat penurun lipid, jumlah eritrosit, kolesterol total. , citra tubuh tipe subjektif, tingkat pendidikan, konsumsi lemak harian, kadar hematokrit, dan durasi laktasi.
Peringkat relevansi dari berbagai prediktor utama berubah secara dramatis dalam analisis subkelompok, khususnya antara individu dengan atau tanpa penyakit kardiovaskular.
Misalnya, obat hipertensi dan penaksir diagnosis mencapai posisi kedua dan ketiga secara keseluruhan namun menurun ke peringkat 23 atau lebih rendah di kedua subkelompok.
Tim tersebut menempatkan durasi laktasi pada urutan ke-16 sebagai penduga untuk semua individu, agak lebih tinggi pada posisi ke-14 untuk individu tanpa penyakit kardiovaskular, dan secara signifikan lebih rendah pada posisi ke-26 untuk pasien CVD.
Rasio odds yang disesuaikan (aOR) sebesar 1,0 menunjukkan bahwa durasi laktasi berhubungan dengan risiko sindrom metabolik yang lebih rendah. Memperpanjang durasi menyusui selama satu bulan dan satu tahun mengurangi risiko sindrom metabolik masing-masing sebesar 0,2% dan 2,4%.
Dampak durasi laktasi terhadap risiko sindrom metabolik tampak minimal dalam satu bulan namun menjadi besar setelah satu atau dua tahun.
OR tidak signifikan pada tingkat 5,0% tetapi memberikan informasi berguna untuk model pembelajaran mesin. Temuan regresi logistik akan menambah relevansi variabel acak hutan.
Kesimpulan
Secara keseluruhan, temuan penelitian menunjukkan bahwa durasi menyusui dengan indeks massa tubuh, hipertensi, penyakit kardiovaskular, dan usia merupakan penduga utama sindrom metabolik pada wanita. Kehamilan menginduksi perubahan metabolisme yang meningkatkan resistensi insulin dan kadar kolesterol darah.
Menyusui mempercepat pemulihan perubahan metabolisme pasca melahirkan pada ibu dan memberikan manfaat jangka panjang bagi kadar glukosa ibu, metabolisme lipid, dan obesitas.
Wanita tanpa penyakit kardiovaskular mendapat skor lebih baik dalam hal usia, durasi menyusui, dan gravitasi. Konsumsi nutrisi, terutama asupan lemak, sangat terkait dengan sindrom metabolik.
Journal reference:
Lee, J.S., Choi, ES., Lee, H., et al. (2024) Machine learning analysis for the association between breast feeding and metabolic syndrome in women. Sci Rep 14, 4138 . doi:https://doi.org/10.1038/s41598-024-53137-6. https://www.nature.com/articles/s41598-024-53137-6
No comments