Vorhersage des Risikos für chronische Kreuzschmerzen basierend auf Ernährungsspurenelementen mithilfe mehrerer maschineller Lernmodelle und dualer Interpretierbarkeitsrahmen

Zusammenfassung

Diese Studie untersucht Zusammenhänge zwischen Nahrungsspuren und chronischen Rückenschmerzen anhand von NHANES-Daten. Interpretierbare Machine-Learning-Modelle werden eingesetzt, um die prädiktive Leistung zu bewerten und Nährstoffe zu identifizieren, die mit einem reduzierten Risiko assoziiert sind, wodurch Einblicke in mögliche Ernährungsfaktoren im Zusammenhang mit Rückenschmerzen geliefert werden.

Zusammenfassung

Der Zusammenhang zwischen Spurenelementen aus der Ernährung und dem Risiko für chronische Kreuzschmerzen (LBP) bleibt unklar. Daten aus den Zyklen der National Health and Nutrition Examination Survey (NHANES) 2001–2004 und 2009–2010 wurden analysiert. Die Multikollinearität wurde anhand von Spearmans Korrelations- und Varianzinflationsfaktoren (VIF) bewertet, und die Merkmalsauswahl erfolgte mit dem Boruta-Algorithmus. Anschließend wurden sechs Machine-Learning-Modelle entwickelt, wobei SHAP und LIME eingesetzt wurden, um die Interpretierbarkeit zu verbessern und zentrale Zusammenhänge zwischen Nahrungsspuren und LBP-Risiko zu identifizieren. Unter den bewerteten Modellen zeigte Random Forest die beste prädiktive Leistung, sowohl bei Berücksichtigung demografischer Variablen als auch bei ausschließlich Verwendung von Nahrungsspurenelementen. Interpretierbarkeitsanalysen identifizierten konsequent mehrere Nahrungskomponenten – darunter Feuchtigkeit, Theobromin, Kalzium, Koffein, Natrium und Vitamin C – als umgekehrt assoziiert mit dem LBP-Risiko. Obwohl die Modelldiskriminierung moderat war (AUC ≈ 0,60–0,72), zeigen diese Ergebnisse klinisch relevante Muster, die die Risikostratifizierung auf Populationsebene unterstützen und potenziell modifizierbare Ernährungsfaktoren für zukünftige Untersuchungen hervorheben können.

Einleitung

Chronische Rückenschmerzen (LBP) gehören weltweit zu den häufigsten muskuloskelettalen Erkrankungen und verursachen erhebliche sozioökonomische Kosten, die mit Behinderung, Gesundheitsversorgung und Lebensqualitätsverlust verbunden sind. Epidemiologische Daten zeigen, dass weltweit 7–10 % der Erwachsenen LBP angeben, wobei die Lebenszeitprävalenz manchmal ^{84 % erreicht}. Am häufigsten tritt sie in Ländern mit niedrigem und mittlerem Einkommen auf, wo arbeitsbedingte Faktoren, schlechter Zugang zu Gesundheitsdiensten und sozioökonomische Ungleichheit das Risiko erhöhen, wobei die Prävalenz bei erwerbsfähigen^Erwachsenen oft über 20 % liegt. Jugendliche und ältere Menschen sind insbesondere anfälliger für strukturelle und degenerative Veränderungen wie Bandscheibendegeneration und Osteoporose³.

LBP ist eine multifaktorielle Krankheit, die von biomechanischen, psychosozialen, genetischen und ernährungsbedingten Faktoren beeinflusst wird und analytische Methoden erfordert, die in der Lage sind, die komplexen Wechselwirkungen zwischen diesen vielfältigen Variablen gleichzeitig zu erfassen. Jüngste systematische Übersichtsartikel zeigen weiterhin, dass die Ätiologie von LBP rätselhaft bleibt, beeinflusst von biomechanischen, psychosozialen und genetischen Faktoren, und daher schwierig ist, sie mit Spezifität zu bestimmen. Mehr als 85 % der Fälle von "LBP sind nicht spezifisch" – was die Entwicklung gezielter Prävention und Behandlung erschwert ^4,5. Obwohl multimodale Therapien, die eine Kombination aus physikalischen und pharmakologischen Methoden umfassen, tendenziell symptomatische Linderung bieten, bleiben viele Patienten wiederkommend, was auf einen dringenden Bedarf an neuen, vermeidbaren und veränderbaren Risikofaktoren für LBP⁶ hinweist.

Traditionelle statistische Methoden sind bei der Bewältigung dieser Komplexität begrenzt, da sie oft auf linearen Annahmen beruhen und es nicht gelingt, hochdimensionale Wechselwirkungen und nichtlineare Beziehungen, die in multifaktoriellen Daten wie NHANES-Ernährungsprofilen enthalten sind, nicht ausreichend zu modellieren. Im Gegensatz dazu bieten maschinelle Lernansätze einen überlegenen Nutzen, indem sie große Variablen gleichzeitig verarbeiten, subtile Muster und Wechselwirkungen erkennen und robuste Vorhersagen für Krankheiten wie LBP liefern, bei denen mehrere Faktoren zusammenlaufen.

Ernährungsmikronährstoffe, darunter Vitamine, Mineralstoffe und Spurenelemente, sind für das physiologische Gleichgewicht notwendig und helfen, das Risiko chronischer Krankheiten zu verringern. Die antioxidativen Vitamine E (α-Tocopherol) und C reduzieren oxidative Schäden, die bei Herz-Kreislauf- und neurodegenerativen Erkrankungen vorhanden sind ^7,8. B-Komplex-Vitamine wie Thiamin (Vitamin B1), Pyridoxin (Vitamin B6), Folsäure und Cobalamin (Vitamin B12) sind ebenfalls immunregulierend und fördern den zellulären Energiestoffwechsel; Mängel, deren Mängel mit Krebs, Unfruchtbarkeit und depressiver Stimmung in Verbindung gebracht wurden ^9,10,11. Mineralstoffe, insbesondere Magnesium, Zink, Kupfer und Selen, wirken an enzymatischen und entzündungshemmenden Wegen, die Sarkopenie, Endometriose und postoperativen Nährstoffausfluss nach bariatrischer Operation^verhindern. Narrative Übersichten heben ihre Bedeutung bei der Prävention von fettleibigkeitsbedingten Begleiterkrankungen und Hauterkrankungen wie seborrhoischer Dermatitis und Alopecia areata durch Lipidmodulation und immunologische Rollen^{hervor. 13,14}. Insgesamt ein Signal, dass der beste Ansatz für Gemeindegesundheit eine angemessene Mikronährstoffaufnahme sein könnte, obwohl interventionelle Studien größtenteils heterogene Ergebnisse basierend auf kontextuellen Faktoren^{zeigen 15,16}.

Darüber hinaus haben Machine-Learning-Anwendungen, die Ernährungsdaten einbeziehen, eine Wirksamkeit bei der Aufklärung von Risikofaktoren für andere muskuloskelettale Erkrankungen gezeigt, wie etwa der Vorhersage des Arthritisrisikos anhand von Umfragedaten¹⁷ und der Identifizierung von Lebensstil- (einschließlich Ernährungs-) Beitragenden zu LBP und verwandten Erkrankungen in bevölkerungsbasierten Kohorten¹⁸.

Trotz zahlreicher Zusammenhänge zwischen Mikronährstoffen und chronischen Krankheiten bleibt der Zusammenhang zwischen Mikronährstoffen in Lebensmitteln und LBP-Risiko schlecht definiert, und die Wirkmechanismen sind ungewiss. Während Beobachtungsstudien häufig Mängel an Vitamin D, Magnesium und Antioxidantien bei Personen mit LBP berichten, haben Metaanalysen von Supplementierungsstudien – insbesondere solchen, die Vitamin D betreffen – begrenzte und inkonsistente Belege für Schmerzlinderung^{geliefert 19,20}.

Eine systematische Untersuchung der vorhandenen Literatur zeigt zentrale Einschränkungen: die Abhängigkeit von Querschnitts- und Fall-Kontroll-Designs, die keine Kausalität nachweisen^{können 21}; unzureichende Kontrolle für Störer, einschließlich Demografie, Lebensstil und Komorbiditäten^20,22; kleine und nicht-repräsentative Stichproben; variable Definitionen von Mikronährstoffstatus und Schmerzergebnissen; und einen Fokus auf isolierte Nährstoffe, ohne Ernährungssynergien oder Gegensätze^{zu berücksichtigen 23}. Diese Mängel haben die Entwicklung klarer, umsetzbarer Erkenntnisse zur Ernährungsmodulation von LBP behindert.

Für eine explizitere Hypothesenstruktur wird vorgeschlagen, dass Mikronährstoffe durch eine Triade mechanistisch verknüpfter Signalwege schützende Wirkungen gegen LBP ausüben: antioxidative und entzündungshemmende Wirkungen, die oxidativen Stress und Neuroinflammation abschwächen (Vitamin C, E, Selen, Zink, Magnesium); Unterstützung für neuronale Reparatur und Minderung homocysteinbedingter Schäden (B-Komplex-Vitamine); und die Verbesserung der Knochen- und Muskelhomöostase durch Mineralstoffsignale und durch Vitamin-D-vermittelte Kalziumregulation (Vitamin D, Magnesium, Kalzium). Ein solcher Rahmen hebt das bidirektionale Zusammenspiel zwischen Mikronährstoffstatus, systemischer Entzündung und Schmerzchronizität hervor, wie die Assoziationen mit proinflammatorischen Diäten zeigen²⁴.

Querschnittsstudien zeigen, dass pro-inflammatoriske Diäten ohne Mikronährstoffe höhere Bauch- oder chronische Schmerzen verursachen, was auf eine bidirektionale Verbindung hindeutet, bei der ein Mangel an Mikronährstoffinputs systemische Entzündungen und Schmerzen verschlimmert²⁴.

Um diese Probleme anzugehen, entwickelten sie mehrere ML-Modelle, die eine Vielzahl von Diätmikronährstoffen (Vitamine (E, A, B1, B6, B12, C, K), Mineralstoffe (Kalzium, Magnesium, Eisen, Zink, Kupfer, Selen) und weitere Nahrungsbestandteile wie Ballaststoffe, mehrfach ungesättigte Fettsäuren, Kalium und Koffein) mit NHANES-Daten zur Vorhersage des LBP-Risikos integrieren. Diese ML-basierte Strategie eignet sich besonders für die multifaktorielle Natur von LBP, da sie die Grenzen der traditionellen Statistik überwindet, indem komplexe, nichtlineare Zusammenhänge zwischen Ernährungs- und anderen Risikofaktoren gleichzeitig modelliert werden. Diese umfassendere Untersuchung kann nichtlineare Assoziationen behandeln und liefert eine robuste Gleichung für wichtige LBP-Prädiktoren. Mit SHAP-Werten für globale Interpretierbarkeit können sie sehen, wie Kombinationen von Nährstoffen das LBP-Risiko beeinflussen, was die Tür für personalisierte Interventionen und nutrigenomische Studien öffnet.

Protokoll

Diese Untersuchung wurde vom Ethics Review Board des National Center for Health Statistics (NCHS) genehmigt, und von allen Teilnehmern wurde eine informierte Zustimmung eingeholt. Öffentlich zugängliche NHANES-Daten wurden in Übereinstimmung mit den relevanten Richtlinien verwendet.

Studienpopulation

Die National Health and Nutrition Examination Survey (NHANES), durchgeführt vom NCHS, liefert national repräsentative Daten zum Gesundheits- und Ernährungszustand der nicht institutionalisierten US-Bevölkerung. Daten aus den Zyklen 2001–2004 und 2009–2010 wurden abgerufen. Teilnehmer im Alter von ≥18 Jahren wurden eingeschlossen, während Personen mit fehlenden Daten zu chronischem LBP, Ernährungsmikronährstoffen, Bildungsniveau oder wichtigen Kovariaten – einschließlich Armuts-Einkommensquote (PIR), Body-Mass-Index (BMI), Rauchstatus, Bluthochdruck, Diabetes und Alkoholkonsum – ausgeschlossen wurden. Die letzte analytische Kohorte umfasste 8.710 Teilnehmer (Abbildung 1).

Bewertung der Nährstoffe in der Ernährung

Daten zur Nahrungsaufnahme wurden durch zwei 24-Stunden-Ernährungsrückruf-Interviews erhoben. Das erste Interview fand in einem mobilen Prüfungszentrum statt, das zweite wurde innerhalb weniger Tage telefonisch durchgeführt. Die automatisierte Multiple-Pass-Methode wurde angewendet, um die Abrufgenauigkeit zu verbessern und Berichtsfehler zu minimieren. Detaillierte AMPM-Verfahren sind in der NHANES-Ernährungsmethodik-Dokumentation beschrieben.

Beurteilung des chronischen LBP

Der Status der chronischen LBP wurde anhand von Fragebogendaten bestimmt. Die Teilnehmer wurden als LBP eingestuft, wenn sie von Rückenschmerzen berichteten, die ≥3 Monate andauerten.

Kovariaten

Demografische Merkmale umfassten Alter, Geschlecht, Rasse/Ethnie (mexikanisch-amerikanisch, andere hispanische, nicht-hispanische Weiße, nicht-hispanische Schwarze, andere Rasse), Bildung (<9. Klasse, 9.–11. Klasse), Abschluss (High-School-Abschluss/GED, einige College-/AA-Abschlüsse und Hochschulabschluss), Familieneinkommens-Armutsverhältnis (PIR), Body-Mass-Index (BMI), Rauchstatus sowie Alkoholstatus und Vorgeschichte von Bluthochdruck und Diabetes. Hypertonie wurde auf Grundlage der selbstberichteten Diagnose des Arztes oder der aktuellen Anwendung von blutdrucksenkenden Medikamenten definiert. Diabetes wurde durch selbstberichtete ärztliche Diagnose, erhöhte Glukosewerte nach einem 2-stündigen Glukosetoleranztest (≥11,1 mmol/L) oder glykiertes Hämoglobin ≥6,5 % oder Nüchternglukose ≥7,0 mmol/L definiert. Prädiabetes wurde definiert als von einem Arzt gesagt, dass man Prädiabetes habe, 2-Stunden-OGTT-Glukosetoleranzwerte von 7,8–11,1 mmol/L, Nüchternblutzucker von 6,1–6,9 mmol/L, oder einen HbA1c-Wert zwischen 5,7 % und 6,4 %. Der Status des Rauchens wurde definiert als (1) Nicht aktuell vor dem letzten Monat oder länger als ein Jahr aufgehört, und (2) Rauchen aktuell (selbst berichtet in jüngerer Zeit) ist definiert als das Rauchen von mehr als 2 Zigaretten pro Tag nach der Wiederaufnahme der Gewohnheit oder vor dem Aufhören. Was den Trinkstatus betrifft, gibt es zwei Definitionen: (1) lebenslange Nichttrinker ohne vorherigen Alkoholkonsum (insgesamt <12) und (2) aktuelle Trinker, die angeben, in den letzten 12 Monaten ≥12 Mal getrunken zu haben oder mindestens sechs Mal getrunken zu haben. BMI berechnet als Gewicht ÷ Größe².

Feature-Vorverarbeitung und Auswahl für maschinelles Lernen

Insgesamt wurden 52 Variablen eingeschlossen, darunter 45 kontinuierliche und 7 kategoriale Variablen. Alle Vorverarbeitungs- und Merkmalsauswahlverfahren – einschließlich Multikollinearitätsentfernung, SMOTE-Anwendung und Boruta-basierte Merkmalauswahl – wurden ausschließlich auf dem Trainingsset durchgeführt, um Datenlecks zu verhindern. Um Multikollinearität zu eliminieren, wurden zuerst die Variablen mit Korrelationskoeffizienten größer als 0,9 entfernt und dann die Variablen mit VIFs größer als 3.

Um das Klassenungleichgewicht zu verbessern und die Anerkennung von Minderheiten- (also schwierigeren) Klassen zu verbessern, wurde die Synthetic Minority Over-sampling Technique (SMOTE) angewandt (ergänzende Abbildung 1), die Abstände zwischen Minderheitenklassenstichproben erzeugt, die k-nächsten Nachbarn für diese Distanzen berechnet und synthetische Daten in zufälligen Richtungen generiert, um Klassen auszugleichen. Alle verwendeten Variablen wurden dann standardisiert.

Die Merkmalsauswahl erfolgte mit Boruta auf Random Forests, wobei sogenannte "Schattenmerkmale" generiert und diese über 500 Iterationen im Vergleich zu den Eingabemerkmalen "getestet" wurden. Diejenigen, die als "bestätigt" klassifiziert wurden, wurden für den Bau des Modells zurückbehalten. Für detaillierte Informationen zur Hyperparameter-Abstimmung siehe Ergänzende Tabelle 1.

Statistische Analyse

Alle Analysen wurden gemäß den analytischen Richtlinien von NHANES durchgeführt. Kontinuierliche Variablen wurden als Mittelwert ± Standardabweichungen (SD) angegeben, während kategoriale Variablen als Anzahl und Prozentsatz angegeben wurden. Unterschiede zwischen den Gruppen wurden, wo angebracht, mit Chi-Quadrat- oder Schüler-t-Tests getestet.

Um Überanpassungen zu verhindern, wurden die Daten zufällig in ein Trainingsset⁷ und ein Testset aufgeteilt. Mit MLR3 wurden sechs maschinelle Lernalgorithmen entwickelt: Random Forest, der viele Entscheidungsbäume konstruiert und deren Vorhersagen zusammenführt, mit starker Verallgemeinerungskraft und Konsistenz; LightGBM basiert auf gradientenverstärkten Entscheidungsbäumen, die auf Effizienz und Skalierung abgestimmt sind; K-KNN sortiert Stichproben danach, wie nah sie ihren Nachbarn sind; K-KNN liefert typischerweise bessere Ergebnisse bei kleinen nichtlinearen Datensätzen; Naiver Bayes, der durch die Verwendung des Bayesschen Theorems Einfachheit verleiht und robust ist; SVM, das ideale Hyperebenen für die Klassifikationsaufgabe besitzt, selbst für Proben mit hoher Dimensionalität; XGBoost ist eine Form des Gradient-Boosting-Ensembles, das hohe Leistung besitzt, selbst bei sehr großen unvollständigen Datensätzen.

Das Modell wurde anhand von Genauigkeit, F-Beta, Fläche unter den ROC-Kurven (AUC-ROC), Sensitivität, Spezifität und AUC-PR bewertet. Der AUC-ROC ist die Hauptkennzahl, die sie verwenden, während die anderen Kennzahlen tiefere Einblicke in die Leistung geben. Sie validieren ihre Modelle durch zehnfache Kreuzvalidierung, um Stabilität sicherzustellen. Unterschiede in der Leistung ihrer Modelle wurden mit ANOVA und dem Kruskal–Wallis H-Test bewertet.

Die Merkmalsinterpretation wurde mit SHapley Additive Explanations (SHAP) und Local Interpretable Model-agnostic Explanations (LIME) untersucht. SHAP leitet Schätzungen des Beitrags jedes Merkmals zu Modellvorhersagen anhand von Shapley-Werten ab, basierend auf kooperativer Spieltheorie, um sowohl lineare als auch interaktive Effekte darzustellen. LIME leitet Merkmalseinfluss ab, indem komplexe Modelle mit einfacheren, interpretierbaren Surrogaten (z. B. Lasso-Regressionen) approximiert werden, um individuelle Merkmalseinflüsse zu erklären. Alle Analysen wurden in IBM SPSS Statistics Version 24.0 und in R-Version 4.3.0 durchgeführt. Ein zweiseitiger p-Wert < 0,05 gilt als statistisch signifikant.

Ergebnisse

Ausgangsmerkmale nach chronischem LBP-Status

Baseline-Merkmale, geschichtet nach dem Status des chronischen LBP, sind in Tabelle 1 beschrieben. Die letzte analytische Kohorte umfasste 8.710 Teilnehmer aus NHANES 2001–2004 und 2009–2010, mit einem Durchschnittsalter von 49,13 Jahren (SD = 18,43). Davon waren 4.528 (51,99 %) Frauen und 4.182 (48,01 %) Männer. Insgesamt gaben 3.838 Teilnehmer an, LBP zu haben (Durchschnittsalter ...

Diskussion

Diese Studie nutzte NHANES-Daten und verwendete mehrere Algorithmen, wobei eine Verbindung zwischen diätetischen Mikronährstoffen und chronischem LBP festgestellt wurde. Wichtig ist, dass angesichts des Querschnitts-Beobachtungsdesigns diese Ergebnisse prädiktive Assoziationen statt kausale Zusammenhänge widerspiegeln und die maschinellen Lernmodelle die Kausalität zwischen Mikronährstoffaufnahme und LBP-Risiko nicht nachweisen können. Nach der Auswahl von Merkmalen und Kollinearitätstes...

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
Automatisierte Mehrfachdurchlaufmethode (AMPM)	Nationales Zentrum für Gesundheitsstatistik (NCHS), CDC	N/A	Ernährungsbewertungssystem wird in NHANES 24-Stunden-Ernährungsrückrufinterviews verwendet, um die Berichtsgenauigkeit zu verbessern
Boruta-Algorithmus	Open-Source (R-Paket: Boruta)	N/A	Merkmalsauswahlmethode basierend auf Zufallswäldern; Zur Identifizierung relevanter Variablen durch den Vergleich von Schattenmerkmalen verwendet
Computerunterstütztes persönliches Interview (CAPI)	Nationales Zentrum für Gesundheitsstatistik (NCHS), CDC	N/A	Interviewsystem, das von geschultem Personal zur Erhebung von Fragebogendaten verwendet wird
Nationale Gesundheits- und Ernährungsprüfungsumfrage (NHANES)	Nationales Zentrum für Gesundheitsstatistik (NCHS), CDC	N/A	Landesweite Umfrage mit demografischen, ernährungsbezogenen und gesundheitsbezogenen Daten
Fragebogen zu Prostataerkrankungen (KIQ)	Nationales Zentrum für Gesundheitsstatistik (NCHS), CDC	N/A	Fragebogenquelle zur Bewertung von Rückenschmerzen verwendet
Zufallswald-Algorithmus	Open-Source (z. B. R- / Python-Implementierungen)	N/A	Das Machine-Learning-Modell wird bei der Auswahl und Klassifikation von Merkmalen verwendet
Synthetische Minderheiten-Übersampling-Technik (SMOTE)	Open-Source (z. B. DMwR / Imbalanced-Learn)	N/A	Eine Überstichprobetechnik, die verwendet wird, um ein Klassenungleichgewicht durch die Erzeugung synthetischer Minderheitenstichproben zu beheben