O publikacji
Publikacja przedstawia kompleksową analizę czynników ryzyka cukrzycy w populacji dorosłych mieszkańców Stanów Zjednoczonych z wykorzystaniem metod sztucznej inteligencji i uczenia maszynowego. Badanie koncentruje się na identyfikacji najważniejszych determinant choroby oraz ocenie skuteczności różnych modeli predykcyjnych w prognozowaniu ryzyka cukrzycy.
Opis
W badaniu wykorzystano dane pochodzące z ogólnokrajowego programu Behavioral Risk Factor Surveillance System (BRFSS), obejmujące ponad 253 tysięcy respondentów oraz ponad dwadzieścia zmiennych opisujących czynniki zdrowotne, behawioralne i społeczno-ekonomiczne. Na podstawie zgromadzonych danych porównano 18 modeli uczenia maszynowego, aby wyłonić rozwiązanie zapewniające najwyższą skuteczność predykcji ryzyka cukrzycy
Do interpretacji wyników zastosowano metodę SHAP (SHapley Additive Explanations), umożliwiającą wyjaśnienie wpływu poszczególnych cech na decyzje modelu oraz zwiększenie przejrzystości działania algorytmów sztucznej inteligencji.
Najważniejsze osiągnięcia
- analiza ponad 253 000 rekordów medycznych,
- porównanie 18 modeli uczenia maszynowego,
- identyfikacja najskuteczniejszych metod predykcji cukrzycy,
- interpretacja modeli z wykorzystaniem SHAP,
- określenie najważniejszych czynników wpływających na ryzyko zachorowania,
- wskazanie możliwości zastosowania AI w profilaktyce zdrowotnej i analizie danych medycznych.
Kluczowe wyniki
Najwyższą skuteczność osiągnął model Extra Trees Classifier, uzyskując dokładność przekraczającą 90% oraz wartość AUC równą 0,99. Analiza wykazała, że do najistotniejszych czynników wpływających na ryzyko cukrzycy należą:
- wskaźnik BMI,
- wiek,
- ogólny stan zdrowia,
- poziom dochodów,
- liczba dni gorszego stanu zdrowia fizycznego,
- poziom wykształcenia,
- nadciśnienie tętnicze.
Znaczenie badań
Przedstawione wyniki potwierdzają, że nowoczesne modele sztucznej inteligencji mogą skutecznie wspierać ocenę ryzyka cukrzycy oraz identyfikację osób wymagających działań profilaktycznych. Zastosowanie metod wyjaśnialnej sztucznej inteligencji zwiększa przejrzystość modeli predykcyjnych, ułatwiając ich wykorzystanie w analizie danych medycznych oraz wspomaganiu decyzji w ochronie zdrowia.
Dane publikacji
| Informacja | Wartość |
|---|---|
| Tytuł | AI-driven analysis of diabetes risk determinants in U.S. adults: Exploring disease prevalence and health factors |
| Czasopismo | PLOS ONE |
| Rok publikacji | 2025 |
| Autorzy | Dawid Majcherek, Antoni Ciesielski, Paweł Sobczak |
| DOI | 10.1371/journal.pone.0328655 |
| Rodzaj publikacji | Artykuł naukowy (Open Access) |