Articolo di ricerca
Questo studio indaga le associazioni tra oligoelementi alimentari e mal di schiena cronico utilizzando dati NHANES. Modelli di machine learning interpretabili vengono applicati per valutare le prestazioni predittive e identificare i nutrienti associati a un rischio ridotto, fornendo informazioni sui potenziali fattori alimentari legati al mal di schiena.
La relazione tra gli oligoelementi alimentari e il rischio di dolore lombare cronico (LBP) rimane poco chiara. Sono stati analizzati i dati del National Health and Nutrition Examination Survey (NHANES) 2001–2004 e 2009–2010. La multicollinearità è stata valutata utilizzando i fattori di correlazione e inflazione della varianza (VIF) di Spearman, e la selezione delle caratteristiche è stata effettuata utilizzando l'algoritmo Boruta. Successivamente sono stati sviluppati sei modelli di machine learning, con SHAP e LIME applicati per migliorare l'interpretabilità e identificare le associazioni chiave tra elementi traccia alimentari e rischio di LBP. Tra i modelli valutati, Random Forest ha dimostrato la migliore performance predittiva, sia nell'incorporazione di variabili demografiche sia nell'utilizzo di solo elementi tracce alimentari. Le analisi di interpretabilità hanno identificato costantemente diversi componenti alimentari — tra cui umidità, teobromina, calcio, caffeina, sodio e vitamina C — come inversamente associati al rischio di LBP. Sebbene la discriminazione dei modelli fosse moderata (AUC ≈ 0,60–0,72), questi risultati rivelano modelli clinicamente rilevanti che potrebbero supportare la stratificazione del rischio a livello di popolazione e evidenziare fattori alimentari potenzialmente modificabili per future indagini.
Il mal di schiena cronico (LBP) è tra i disturbi muscoloscheletrici più diffusi a livello globale e comporta costi socioeconomici significativi legati a disabilità, assistenza sanitaria e perdita di qualità della vita. I dati epidemiologici indicano che il 7–10% degli adulti riporta la LBP a livello globale, con una prevalenza a vita che talvolta raggiunge l'84%. È più comune nei paesi a basso o medio reddito, dove fattori legati al lavoro, scarso accesso ai servizi sanitari e disuguaglianze socio-economiche aumentano il rischio, con una prevalenza spesso superiore al 20% tra gli adulti in etàlavorativa 2. Gli adolescenti e gli anziani, in particolare, sono più vulnerabili a cambiamenti strutturali e degenerativi come la degenerazione del disco intervertebrale el'osteoporosi 3.
La LBP è una malattia multifattoriale influenzata da fattori biomeccanici, psicosociali, genetici e nutrizionali, che richiedono metodi analitici in grado di catturare simultaneamente le complesse interazioni tra queste diverse variabili. Le recenti revisioni sistematiche continuano a evidenziare che l'eziologia della LBP rimane enigmatica, influenzata da fattori biomeccanici, psicosociali e genetici, e che quindi è difficile individuarla con specificità. Oltre l'85% dei casi di 'LBP sono aspecifici' - rendendo difficile lo sviluppo di prevenzione e trattamentomirato 4,5. Sebbene le terapie multimodali che comprendono una combinazione di metodi fisici e farmacologici tendano a fornire sollievo sintomatico, molti pazienti rimangono ricorrenti, un segnale che indica un'urgente necessità di nuovi fattori di rischio prevenibili e modificabili per laLBP 6.
I metodi statistici tradizionali sono limitati nell'affrontare questa complessità, poiché spesso si basano su assunzioni lineari e non riescono a modellare adeguatamente le interazioni ad alta dimensione e le relazioni non lineari insite nei dati multifattoriali come i profili alimentari NHANES. Al contrario, gli approcci di machine learning offrono un'utilità superiore gestendo un gran numero di variabili contemporaneamente, rilevando schemi e interazioni sottili e fornendo previsioni robuste per malattie come la LBP dove convergono molteplici fattori.
I micronutrienti alimentari, inclusi vitamine, minerali e oligoelementi, sono necessari per l'equilibrio fisiologico e aiutano a ridurre il rischio di malattie croniche. Le vitamine antiossidanti E (α-tocoferolo) e C riducono i danni ossidatori presenti nelle malattie cardiovascolari eneurodegenerative 7,8. Le vitamine del complesso B, come la tiamina (vitamina B1), la piridossina (vitamina B6), il folato e la cobalamina (vitamina B12), sono anch'esse immunoregolatrici e facilitano il metabolismo energetico cellulare; carenze di queste sono state collegate a cancro, infertilità e umoredepresso 9,10,11. I minerali, in particolare magnesio, zinco, rame e selenio, partecipano a vie enzimatiche e antinfiammatorie che prevengono sarcopenia, endometriosi e discarica nutrizionale post-operatoria dopo un interventobariatrico 12. Le revisioni narrative ne sottolineano l'importanza nella prevenzione di comorbidità correlate all'obesità e condizioni cutanee come la dermatite seborroica e l'alopecia areata tramite modulazione lipidica e ruoliimmunologici 13,14. Nel complesso, un segnale che il miglior approccio alla salute della comunità potrebbe essere un apporto adeguato di micronutrienti, anche se studi interventistici mostrano in gran parte risultati eterogenei basati su fattoricontestuali 15,16.
Inoltre, applicazioni di machine learning che incorporano dati nutrizionali hanno dimostrato efficacia nel chiarire i fattori di rischio per altre malattie muscoloscheletriche, come la previsione del rischio di artrite dai datidel sondaggio 17 e l'identificazione dei contributori legati allo stile di vita (inclusa la dieta) alla lombalgia e alle condizioni correlate nelle coorti basate sullapopolazione 18.
Nonostante la ricchezza di legami tra micronutrienti e malattie croniche, la relazione tra i micronutrienti negli alimenti e il rischio di LBP rimane poco definita e i meccanismi d'azione sono incerti. Sebbene studi osservazionali riportano frequentemente carenze di vitamina D, magnesio e antiossidanti tra individui con loglibie, le meta-analisi degli studi di integrazione — in particolare quelli che coinvolgono la vitamina D — hanno fornito evidenze limitate e incoerenti di sollievo daldolore 19,20.
Un esame sistematico della letteratura esistente rivela limitazioni chiave: la dipendenza da disegni trasversali e casi-controllo che non possono stabilire lacausalità 21; controllo inadeguato per i confondenti, inclusi dati demografici, stile di vita ecomorbidità 20,22; campioni piccoli e non rappresentativi; definizioni variabili dello stato dei micronutrienti e degli esiti del dolore; e un focus sui nutrienti isolati senza considerare sinergie o antagonismi alimentari23. Queste carenze hanno ostacolato lo sviluppo di intuizioni chiare e pratiche sulla modulazione nutrizionale della LBP.
Per una struttura ipotesica più esplicita, si propone che i micronutrienti esercitino effetti protettivi contro la LBP attraverso una triade di vie meccanicistiche collegate: azioni antiossidanti e antinfiammatorie che attenuano lo stress ossidativo e la neuroinfiammazione (vitamine C, E, selenio, zinco, magnesio); supporto per la riparazione neurale e la mitigazione dei danni indotti dall'omocisteina (vitamine del complesso B); e il potenziamento dell'omeostasi ossea e muscolare tramite segnalazione minerale e regolazione del calcio mediata dalla vitamina D (vitamina D, magnesio, calcio). Un tale quadro evidenzia l'interazione bidirezionale tra lo stato dei micronutrienti, l'infiammazione sistemica e la cronicità del dolore, come dimostrato dalle associazioni con dietepro-infiammatorie 24.
Studi trasversali indicano che diete pro-infiammatorie prive di micronutrienti producono livelli maggiori di dolore addominale o cronico, suggerendo un'associazione bidirezionale in cui la mancanza di input di micronutrienti aggrava l'infiammazione sistemica e il dolore24.
Per affrontare questi problemi, hanno sviluppato molteplici modelli ML che incorporano un'ampia gamma di micronutrienti dietetici (vitamine (E, A, B1, B6, B12, C, K), minerali (calcio, magnesio, ferro, zinco, rame, selenio) e altri elementi alimentari tra cui fibre, acidi grassi polinesaturi, potassio e caffeina) con dati NHANES per prevedere il rischio di LBP. Questa strategia basata sul ML è particolarmente adatta alla natura multifattoriale della LBP, poiché supera i limiti della statistica tradizionale modellando contemporaneamente associazioni complesse e non lineari tra fattori nutrizionali e altri fattori di rischio. Questa esplorazione più approfondita può gestire associazioni non lineari e fornisce un'equazione robusta per i principali predittori LBP. Utilizzando i valori SHAP per l'interpretabilità globale, possono vedere come le combinazioni di nutrienti influenzino il rischio di LBP, aprendo così la porta a interventi personalizzati e studi nutrigenomici.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Questa indagine è stata approvata dal Consiglio di Revisione Etica del National Center for Health Statistics (NCHS) e è stato ottenuto il consenso informato da tutti i partecipanti. I dati NHANES pubblicamente disponibili sono stati utilizzati in conformità con le linee guida pertinenti.
Popolazione dello studio
Il National Health and Nutrition Examination Survey (NHANES), condotto dal NCHS, fornisce dati rappresentativi a livello nazionale sullo stato di salute e nutrizionale della popolazione statunitense non istituzionalizzata. Sono stati recuperati i dati dei cicli 2001–2004 e 2009–2010. Sono stati inclusi i partecipanti di età ≥18 anni, mentre sono stati esclusi individui con dati mancanti su loglibia cronica, micronutrienti alimentari, livello di istruzione o covariazioni chiave—inclusi rapporto povertà-reddito (PIR), indice di massa corporea (BMI), stato di fumo, ipertensione, diabete e consumo di alcol. La coorte analitica finale comprendeva 8.710 partecipanti (Figura 1).
Valutazione dei nutrienti alimentari
I dati sull'assunzione dietetica sono stati raccolti utilizzando due interviste di richiamo dietetico di 24 ore. Il primo colloquio è stato condotto in un Centro Esami Mobile, e il secondo è stato completato telefonicamente nel giro di pochi giorni. Il Metodo Automatico a Passaggi Multipli è stato applicato per migliorare la precisione del richiamo e minimizzare il bias di segnalazione. Le procedure dettagliate dell'AMPM sono descritte nella documentazione della metodologia dietetica NHANES.
Valutazione della lombalgia cronica
Lo stato cronico della lombalgie è stato determinato utilizzando i dati del questionario. I partecipanti sono stati classificati come affettivi di lombalgie se hanno riportato dolori alla schiena durati ≥3 mesi.
Covariate
Le caratteristiche demografiche includevano età, sesso, razza/etnia (messicano-americano, altri ispanici, bianchi non ispanici, neri non ispanici, altre razze), istruzione (<9ª classe, 9ª–11ª), titolo di studio (diploma/GED, alcuni titoli universitari/AA e laureati), rapporto reddito-povertà familiare (PIR), indice di massa corporea (BMI), stato di fumo, stato di consumo e storia di ipertensione e diabete. L'ipertensione è stata definita in base alla diagnosi auto-riferita dal medico o all'uso attuale di farmaci antiipertensivi. Il diabete è stato definito tramite diagnosi auto-riferite dal medico, livelli elevati di glucosio dopo un test di tolleranza al glucosio di 2 ore (≥11,1 mmol/L), o emoglobina glicatrice ≥6,5% o glucosio a digiuno ≥7,0 mmol/L. Il prediabete è stato definito come l'essere stato informato da un medico che si aveva prediabete, valori di tolleranza al glucosio OGTT a 2 ore di 7,8–11,1 mmol/L, glicemia a digiuno di 6,1–6,9 mmol/L, oppure un valore di HbA1c compreso tra il 5,7% e il 6,4%. Lo stato del fumo era definito come (1) Non corrente prima dell'ultimo mese, o smesso da più di un anno, e (2) fumare attualmente (auto-dichiarazione recente) è definito come fumare più di 2 sigarette al giorno dopo aver ripreso l'abitudine o prima di smettere. Per quanto riguarda lo stato di alcol, esistono due definizioni: (1) chi non beve a vita senza alcun consumo precedente di alcol (<12 in totale), e (2) chi ha bevuto attualmente e dichiara di aver bevuto ≥12 volte all'anno, o di aver bevuto almeno sei volte negli ultimi 12 mesi. IMC calcolato come peso ÷altezza2.
Preprocessing e selezione delle funzionalità per il machine learning
Sono state incluse in totale 52 variabili, tra cui 45 continue e 7 variabili categoriche. Tutte le procedure di preprocessing e selezione delle funzionalità — inclusa la rimozione della multicollinearità, l'applicazione SMOTE e la selezione delle funzionalità basate su Boruta — venivano eseguite esclusivamente sul set di addestramento per prevenire la perdita di dati. Per eliminare la multicollinearità, sono state rimosse prima le variabili con coefficienti di correlazione superiori a 0,9, e poi le variabili con VIF maggiori di 3.
Per migliorare lo squilibrio di classe e il riconoscimento delle classi minoritarie (leggi: più difficili), è stata applicata la Tecnica di Sovracampionamento Sintetico delle Minoranze (SMOTE) (Figura Supplementare 1), che crea distanze tra campioni di classi minoritarie, calcola i k-vicini più prossimi per tali distanze e genera dati sintetici in direzioni casuali per bilanciare le classi. Tutte le variabili utilizzate sono state poi standardizzate.
La selezione delle caratteristiche è stata completata con Boruta su Foreste Casuali, generando le cosiddette "caratteristiche ombra" e "testandole" rispetto alle funzionalità di input in oltre 500 iterazioni. Coloro che sono stati classificati come "confermati" sono stati mantenuti per costruire il modello. Per informazioni dettagliate sulla sintonia degli iperparametri, si prega di consultare la Tabella Supplementare 1.
Analisi statistica
Tutte le analisi sono state condotte in conformità con le linee guida analitiche NHANES. Le variabili continue sono state riportate come media ± deviazioni standard (SD), mentre le variabili categoriche sono state espresse come conteggio e percentuale. Le differenze tra i gruppi sono state testate utilizzando chi-quadrato o test t di Student, dove appropriato.
Per evitare l'overfitting, i dati venivano suddivisi casualmente in un set diaddestramento 7 e un set di test. Utilizzando MLR3, sono stati costruiti sei algoritmi di machine learning: Random Forest che costruisce molti alberi decisionali e unisce le loro previsioni, avendo forte potere di generalizzazione e coerenza; LightGBM basato su alberi decisionali potenziati dal gradiente, ottimizzati per efficienza e scala; K-KNN ordina i campioni in base alla loro vicinanza ai vicini, K-KNN ottiene tipicamente risultati migliori su piccoli dataset non lineari; Naive Bayes, che utilizzando il teorema di Bayes dà semplicità ed è robusto; SVM che possiede iperpiani ideali per il compito di classificazione, anche per campioni ad alta dimensionalità; XGBoost è una forma di ensemble di gradient boosting che possiede alte prestazioni, anche con dataset molto grandi e incompleti.
Il modello è stato valutato utilizzando accuratezza, F-beta, area sotto le curve ROC (AUC-ROC), sensibilità, specificità e AUC-PR. L'AUC-ROC è la metrica principale che utilizzano, mentre le altre metriche offrono approfondimenti sulle prestazioni. Convalidano i loro modelli utilizzando la validazione incrociata dieci volte per garantire la stabilità. Le differenze nelle prestazioni dei loro modelli sono state valutate utilizzando ANOVA e il test Kruskal–Wallis H.
L'interpretabilità delle caratteristiche è stata studiata utilizzando SHapley Additives ExPlanations (SHAP) e Local Interpretable Model-agnostic Explanations (LIME). SHAP deduce stime del contributo di ogni caratteristica alle previsioni del modello utilizzando i valori di Shapley, basati sulla teoria dei giochi cooperativi, per rappresentare sia effetti lineari che interattivi. LIME deriva l'influenza delle caratteristiche approssimando modelli complessi con surrogati più semplici e interpretabili (ad esempio, regressioni di Lasso) per aiutare a spiegare l'influenza delle singole caratteristiche. Tutte le analisi sono state effettuate in IBM SPSS Statistics versione 24.0 e in R versione 4.3.0. Un p-value a due code < 0,05 è considerato statisticamente significativo.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Caratteristiche di base in base allo stato cronico della lombalgia
Le caratteristiche di base stratificate in base allo stato cronico di lombalgia sono descritte nella Tabella 1. La coorte analitica finale includeva 8.710 partecipanti di NHANES 2001–2004 e 2009–2010, con un'età media di 49,13 anni (SD = 18,43). Di questi, 4.528 (51,99%) erano donne e 4.182 (48,01%) uomini. In totale, 3.838 partecipanti hanno riferito di avere ...
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Questo studio ha utilizzato dati NHANES e ha applicato diversi algoritmi, trovando un'associazione tra micronutrienti alimentari e largibilebra cronica. È importante sottolineare che, dato il disegno osservazionale trasversale, questi risultati riflettono associazioni predittive piuttosto che relazioni causali, e i modelli di machine learning non possono stabilire la causalità tra l'assunzione di micronutrienti e il rischio di LBP. Dopo la selezione delle caratteristiche e i test di coll...
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Gli autori non hanno conflitti di interesse da dichiarare.
Questo lavoro è stato supportato dalla Fondazione del Progetto Hangzhou per l'Agricoltura e lo Sviluppo Sociale (20241029Y119), dal Progetto Guida del Piano Scientifico e Tecnologico del Distretto di Xiaoshan (2025316) e dal Progetto di Scienza e Tecnologia della Medicina Tradizionale Cinese della Provincia di Zhejiang (2024ZR152).
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
| Nome | Azienda | Numero di catalogo | Commenti |
|---|---|---|---|
| Metodo Automatico a Passaggi Multipli (AMPM) | Centro Nazionale per le Statistiche Sanitarie (NCHS), CDC | N/A | Sistema di valutazione dietetica utilizzato nelle interviste NHANES di richiamo alimentare 24 ore su 24 per migliorare l'accuratezza della rendicontazione |
| Algoritmo di Boruta | Open-source (pacchetto R: Boruta) | N/A | Metodo di selezione delle caratteristiche basato su foreste casuali; Utilizzato per identificare variabili rilevanti tramite il confronto delle caratteristiche ombra |
| Colloquio personale assistito da computer (CAPI) | Centro Nazionale per le Statistiche Sanitarie (NCHS), CDC | N/A | Sistema di intervista utilizzato dal personale formato per raccogliere dati del questionario |
| Indagine Nazionale sull'Esame di Salute e Nutrizione (NHANES) | Centro Nazionale per le Statistiche Sanitarie (NCHS), CDC | N/A | Sondaggio nazionale che fornisce dati demografici, dietetici e sanitari |
| Questionario sulle condizioni prostatiche (KIQ) | Centro Nazionale per le Statistiche Sanitarie (NCHS), CDC | N/A | Fonte del questionario utilizzata per valutare le informazioni sul mal di schiena |
| Algoritmo della Foresta Casuale | Open-source (ad esempio, implementazioni R / Python) | N/A | Modello di machine learning utilizzato nella selezione e classificazione delle caratteristiche |
| Tecnica di sovracampionamento delle minoranze sintetiche (SMOTE) | Open-source (ad esempio, DMwR / imparare sbilanciato) | N/A | Tecnica di sovracampionamento utilizzata per risolvere lo squilibrio di classe generando campioni sintetici di minoranze |
Richiedi il permesso di riutilizzare il testo o le figure di questo articolo JoVE
Richiedi permesso