Onderzoeksartikel
Deze studie onderzoekt verbanden tussen voedingssporen en chronische lage rugpijn met behulp van NHANES-gegevens. Interpreteerbare machine learning-modellen worden toegepast om voorspellende prestaties te evalueren en voedingsstoffen te identificeren die geassocieerd zijn met een verminderd risico, wat inzicht geeft in mogelijke dieetfactoren die verband houden met lage rugpijn.
De relatie tussen voedingssporen en het risico op chronische lage rugpijn (LBP) blijft onduidelijk. Gegevens uit de National Health and Nutrition Examination Survey (NHANES) cycli 2001–2004 en 2009–2010 werden geanalyseerd. Multicollineariteit werd beoordeeld met behulp van Spearmans correlatie- en variantieinflatiefactoren (VIF), en de selectie van kenmerken werd uitgevoerd met het Boruta-algoritme. Vervolgens werden zes machine learning-modellen ontwikkeld, waarbij SHAP en LIME werden toegepast om de interpreteerbaarheid te verbeteren en belangrijke verbanden tussen voedingssporenelementen en LBP-risico te identificeren. Van de geëvalueerde modellen toonde Random Forest de beste voorspellende prestaties, zowel bij het meenemen van demografische variabelen als bij het gebruik van alleen dieetsporenelementen. Interpreteerbaarheidsanalyses identificeerden consequent verschillende voedingscomponenten—waaronder vocht, theobromine, calcium, cafeïne, natrium en vitamine C—als omgekeerd geassocieerd met het LBP-risico. Hoewel modeldiscriminatie matig was (AUC ≈ 0,60–0,72), onthullen deze bevindingen klinisch relevante patronen die risicostratificatie op populatieniveau kunnen ondersteunen en mogelijk aanpasbare dieetfactoren voor toekomstig onderzoek benadrukken.
Chronische lage rugpijn (LBP) is een van de meest voorkomende musculoskeletale aandoeningen wereldwijd en brengt aanzienlijke sociaaleconomische kosten met zich mee in verband met invaliditeit, gezondheidszorg en verlies van levenskwaliteit. Epidemiologische gegevens geven aan dat wereldwijd 7–10% van de volwassenen LBP rapporteert, met een levenslange prevalentie soms tot 84%. Het komt het meest voor in lage- en middeninkomenslanden, waar werkgerelateerde factoren, slechte toegang tot gezondheidszorg en sociaaleconomische ongelijkheid het risico verhogen, met prevalentie die vaak boven de 20% uitkomt onder volwassenen in de werkende leeftijd2. Adolescenten en ouderen zijn met name vatbaarder voor structurele en degeneratieve veranderingen zoals tussenwervelschijfdegeneratie en osteoporose3.
LBP is een multifactoriële ziekte die wordt beïnvloed door biomechanische, psychosociale, genetische en nutritionele factoren, waardoor analytische methoden nodig zijn die gelijktijdig de complexe interacties tussen deze diverse variabelen kunnen vastleggen. Recente systematische reviews blijven benadrukken dat de etiologie van LBP raadselachtig blijft, beïnvloed door biomechanische, psychosociale en genetische factoren, en dat het daarom moeilijk is om het met specificiteit vast te stellen. Meer dan 85% van de gevallen van 'LBP is niet-specifiek' - waardoor de ontwikkeling van gerichte preventie en behandeling een uitdaging is 4,5. Hoewel multimodale therapieën die een combinatie van fysische en farmacologische methoden omvatten doorgaans symptomatische verlichting bieden, blijven veel patiënten terugkerend, een teken dat wijst op een dringende behoefte aan nieuwe, te voorkomen en aanpasbare risicofactoren voor LBP6.
Traditionele statistische methoden zijn beperkt in het aanpakken van deze complexiteit, omdat ze vaak vertrouwen op lineaire aannames en er niet in slagen hoogdimensionale interacties en niet-lineaire relaties die inherent zijn aan multifactoriële data zoals NHANES-voedingsprofielen adequaat te modelleren. Daarentegen bieden machine learning-benaderingen superieure bruikbaarheid door grote aantallen variabelen gelijktijdig te behandelen, subtiele patronen en interacties te detecteren en robuuste voorspellingen te bieden voor ziekten zoals LBP waar meerdere factoren samenkomen.
Voedingsmicronutriënten, waaronder vitaminen, mineralen en sporenelementen, zijn noodzakelijk voor fysiologische balans en helpen het risico op chronische ziekten te verminderen. De antioxidanten E (α-tocopherol) en C verminderen oxidatieve schade die aanwezig is bij hart- en vaatziektenen neurodegeneratieve ziekten 7,8. B-complex vitaminen, zoals thiamine (vitamine B1), pyridoxine (vitamine B6), folaat en cobalamine (vitamine B12), zijn ook immuunregulerend en bevorderen het cellulaire energiemetabolisme; Tekorten waarvan in verband zijn gebracht met kanker, onvruchtbaarheid en depressieve stemming 9,10,11. Mineralen, met name magnesium, zink, koper en selenium, nemen deel aan enzymatische en ontstekingsremmende routes die sarcopenie, endometriose en postoperatieve voedingsafscheiding na bariatrische chirurgievoorkomen. Narratieve reviews benadrukken hun belang bij het voorkomen van obesitasgerelateerde comorbiditeiten en huidaandoeningen zoals seborrhoïsche dermatitis en alopecia areata via lipidemodulatie en immunologische rollen13,14. Al met al een signaal dat de beste aanpak van gemeenschapsgezondheid voldoende micronutriënteninname kan zijn, hoewel interventieonderzoeken grotendeels heterogene uitkomsten laten zien op basis van contextuele factoren15,16.
Bovendien hebben machine learning-toepassingen die voedingsgegevens integreren effectiviteit aangetoond bij het ophelderen van risicofactoren voor andere musculoskeletale aandoeningen, zoals het voorspellen van artritisrisico uit enquêtegegevens17 en het identificeren van levensstijl (inclusief dieet) bijdragers aan LBP en gerelateerde aandoeningen in populatiegebonden cohorten18.
Ondanks een overvloed aan verbanden tussen micronutriënten en chronische ziekten, blijft de relatie tussen micronutriënten in voedsel en LBP-risico slecht gedefinieerd, en zijn de werkingsmechanismen onzeker. Hoewel observationele studies vaak tekorten aan vitamine D, magnesium en antioxidanten melden bij personen met LBP, hebben meta-analyses van supplementatieonderzoeken—met name die met vitamine D—beperkt en inconsistent bewijs van pijnverlichtingopgeleverd 19,20.
Een systematisch onderzoek van bestaande literatuur onthult belangrijke beperkingen: vertrouwen op dwarsdoorsnede- en case-control ontwerpen die causaliteit niet kunnen vaststellen21; onvoldoende controle voor confounders, waaronder demografie, levensstijl en comorbiditeiten20,22; kleine en niet-representatieve steekproeven; variabele definities van micronutriëntenstatus en pijnuitkomsten; en een focus op geïsoleerde voedingsstoffen zonder rekening te houden met dieet-synergieën of tegenstellingen23. Deze tekortkomingen hebben de ontwikkeling van duidelijke, bruikbare inzichten in de voedingsmodulering van LBP belemmerd.
Voor een explicietere hypothesestructuur wordt voorgesteld dat micronutriënten beschermende effecten uitoefenen tegen LBP via een triade van mechanistisch gekoppelde routes: antioxidante en ontstekingsremmende werking die oxidatieve stress en neuro-inflammatie verminderen (vitamines C, E, selenium, zink, magnesium); ondersteuning voor neurale reparatie en het beperken van door homocysteeen veroorzaakte schade (B-complex vitaminen); en versterking van de homeostase van bot en spieren via minerale signalering en calciumregulatie door vitamine D (vitamine D, magnesium, calcium). Zo'n kader benadrukt de bidirectionele wisselwerking tussen micronutriëntenstatus, systemische ontsteking en pijnchroniciteit, zoals blijkt uit associaties met pro-inflammatoire diëten24.
Dwarsdoorsnedestudies tonen aan dat pro-inflammatoire diëten zonder micronutriënten hogere niveaus van buik- of chronische pijn veroorzaken, wat wijst op een bidirectionele associatie waarbij een gebrek aan micronutriënteninput systemische ontstekingen pijn verergert.
Om deze problemen aan te pakken, ontwikkelden zij meerdere ML-modellen die een breed scala aan dieetmicronutriënten (vitamines (E, A, B1, B6, B12, C, K), mineralen (calcium, magnesium, ijzer, zink, koper, selenium) en andere voedingselementen zoals vezels, meervoudig onverzadigde vetzuren, kalium en cafeïne) combineren met NHANES-gegevens om het LBP-risico te voorspellen. Deze op ML gebaseerde strategie is bijzonder geschikt voor het multifactoriele karakter van LBP, omdat het de beperkingen van traditionele statistieken overwint door complexe, niet-lineaire associaties tussen voedings- en andere risicofactoren gelijktijdig te modelleren. Deze meer uitgebreide verkenning kan niet-lineaire associaties behandelen en biedt een robuuste vergelijking voor belangrijke LBP-voorspellers. Met SHAP-waarden voor wereldwijde interpretatie kunnen ze zien hoe combinaties van voedingsstoffen het LBP-risico beïnvloeden, wat de deur opent naar gepersonaliseerde interventies en nutrigenomische studies.
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Dit onderzoek werd goedgekeurd door de National Center for Health Statistics (NCHS) Ethics Review Board, en er werd geïnformeerde toestemming verkregen van alle deelnemers. Publiek beschikbare NHANES-gegevens werden gebruikt in overeenstemming met de relevante richtlijnen.
Studiepopulatie
De National Health and Nutrition Examination Survey (NHANES), uitgevoerd door de NCHS, levert nationaal representatieve gegevens over de gezondheid en voedingsstatus van de niet-geïnstitutionaliseerde Amerikaanse bevolking. Gegevens uit de cycli 2001–2004 en 2009–2010 werden opgehaald. Deelnemers van ≥18 jaar werden opgenomen, terwijl personen met ontbrekende gegevens over chronische LBP, dieetmicronutriënten, opleidingsniveau of belangrijke covariaten — waaronder armoede-inkomensverhouding (PIR), body mass index (BMI), rookstatus, hypertensie, diabetes en alcoholconsumptie — werden uitgesloten. De uiteindelijke analytische cohort bestond uit 8.710 deelnemers (Figuur 1).
Beoordeling van voedingsstoffen
Gegevens over de voedingsinname werden verkregen met behulp van twee 24-uurs dieetherinneringsinterviews. Het eerste interview vond plaats in een mobiel examencentrum, en het tweede werd binnen enkele dagen telefonisch afgerond. De geautomatiseerde meervoudige doorlaatmethode werd toegepast om de nauwkeurigheid van herinneringen te verbeteren en rapportagevooroordelen te minimaliseren. Gedetailleerde AMPM-procedures worden beschreven in de NHANES-voedingsmethodologiedocumentatie.
Beoordeling van chronische LBP
De status van chronische LBP werd vastgesteld met behulp van vragenlijstgegevens. Deelnemers werden geclassificeerd als LBP als zij rugpijn rapporteerden die ≥3 maanden aanhield.
Covariaten
Demografische kenmerken omvatten leeftijd, geslacht, ras/etniciteit (Mexicaans-Amerikaans, Overige Hispanic, Niet-Spaanse blanke, niet-Hispanic zwart, andere ras), opleiding (<9e klas, 9–11e), diploma (middelbare schooldiploma/GED, enkele universitaire of AA-diploma's en universitaire afstudeer), gezinsinkomen-armoedeverhouding (PIR), body mass index (BMI), rookstatus, evenals drinkstatus en geschiedenis van hypertensie en diabetes. Hypertensie werd gedefinieerd op basis van zelfgerapporteerde diagnose door de arts of het huidige gebruik van antihypertensiva. Diabetes werd gedefinieerd met zelfgerapporteerde diagnose door de arts, verhoogde glucosewaarden na een glucosetolerantietest van 2 uur (≥11,1 mmol/L), of geglyceerde hemoglobine ≥6,5% of nuchtere glucose ≥7,0 mmol/L. Prediabetes werd gedefinieerd als door een arts te horen dat je prediabetes had, 2 uur OGTT glucosetolerantiewaarden van 7,8–11,1 mmol/L, nuchtere glucose van 6,1–6,9 mmol/L, of een HbA1c-waarde van tussen 5,7% en 6,4%. De status van roken werd gedefinieerd als (1) Niet-actief vóór de laatste maand, of gestopt met meer dan een jaar, en (2) Roken momenteel (zelfrapportage recent) wordt gedefinieerd als meer dan 2 sigaretten per dag roken na het herwinnen van de gewoonte of vóór het stoppen. Wat betreft de drinkstatus bestaan er twee definities: (1) levenslange niet-drinkers zonder eerder alcoholgebruik (<12 totaal), en (2) huidige drinkers die aangeven ≥12 keer per jaar te hebben gedronken, of minstens zes keer in de afgelopen 12 maanden. BMI berekend als gewicht ÷ lengte2.
Feature preprocessing en selectie voor machine learning
In totaal werden 52 variabelen opgenomen, waaronder 45 continue en 7 categorische variabelen. Alle preprocessing- en featureselectieprocedures—waaronder multicollinearity removal, SMOTE-toepassing en Boruta-gebaseerde featureselectie—werden exclusief uitgevoerd op de trainingsset om datalekkage te voorkomen. Om multicollineariteit te elimineren, werden eerst de variabelen met correlatiecoëfficiënten groter dan 0,9 verwijderd, en daarna de variabelen met VIFs groter dan 3.
Om de klassenonbalans te verbeteren en de herkenning van minderheidsklassen (lees: moeilijkere) klassen te verbeteren, werd de Synthetic Minority Over-sampling Technique (SMOTE) toegepast (Aanvullende Figuur 1), die afstanden creëert tussen steekproeven van minderheidsklassen, de k-dichtstbijzijnde buren voor die afstanden berekent en synthetische data in willekeurige richtingen genereert om klassen in balans te brengen. Alle gebruikte variabelen werden vervolgens gestandaardiseerd.
De selectie van kenmerken werd voltooid met Boruta op Random Forests, waarbij zogenaamde "schaduwkenmerken" werden gegenereerd en deze werden "getest" tegen de invoerkenmerken over 500 iteraties. Degenen die als "bevestigd" werden geclassificeerd, werden behouden om het model te bouwen. Voor gedetailleerde informatie over hyperparameterafstemming, zie Aanvullende Tabel 1.
Statistische analyse
Alle analyses werden uitgevoerd volgens de analytische richtlijnen van NHANES. Continue variabelen werden gerapporteerd als gemiddelde ± standaardafwijkingen (SD), terwijl categorische variabelen werden uitgedrukt als aantal en percentage. Verschillen tussen groepen werden getest met chi-kwadraat- of Student's t-tests waar passend.
Om overfitting te voorkomen, werden de gegevens willekeurig gesplitst in een trainingsset7 en een testset. Met MLR3 werden zes machine learning-algoritmen gebouwd: Random Forest, dat veel beslissingsbomen construeert en hun voorspellingen samenvoegt, met sterke generalisatiekracht en consistentie; LightGBM gebaseerd op gradiënt-boosted decision trees, die is afgestemd op efficiëntie en schaal; K-KNN sorteert monsters op basis van hoe dicht ze bij hun buren liggen; K-KNN heeft doorgaans betere resultaten op kleine niet-lineaire datasets; Naïeve Bayes, die door gebruik te maken van de stelling van Bayes eenvoud geeft en robuust is; SVM dat ideale hypervlakken bezit voor de classificatietaak, zelfs voor monsters in hoge dimensionaliteit; XGBoost is een vorm van gradient boosting ensemble die hoge prestaties heeft, zelfs met zeer grote onvolledige datasets.
Het model werd beoordeeld met behulp van nauwkeurigheid, F-beta, oppervlakte onder de ROC-curves (AUC-ROC), gevoeligheid, specificiteit en AUC-PR. De AUC-ROC is de belangrijkste meetwaarde die zij gebruiken, terwijl de andere meetwaarden diepere inzichten in prestaties geven. Ze valideren hun modellen met tienvoudige kruisvalidatie om stabiliteit te waarborgen. Verschillen in de prestaties van hun modellen werden geëvalueerd met behulp van ANOVA en de Kruskal–Wallis H-test.
Feature-interpreteerbaarheid werd onderzocht met behulp van SHapley Additive exPlanations (SHAP) en Local Interpretable Model-agnostic Explanations (LIME). SHAP leidt schattingen af van de bijdrage van elk kenmerk aan modelvoorspellingen met behulp van Shapley-waarden, gebaseerd op coöperatieve speltheorie, om zowel lineaire als interactieve effecten weer te geven. LIME haalt kenmerkinvloed door complexe modellen te benaderen met eenvoudigere, interpreteerbare surrogaten (bijv. Lasso-regressies) om individuele kenmerken te helpen verklaren. Alle analyses werden uitgevoerd in IBM SPSS Statistics versie 24.0 en in R versie 4.3.0. Een tweezijdige p-waarde < 0,05 wordt als statistisch significant beschouwd.
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Basiskenmerken volgens chronische LBP-status
Basislijnkenmerken, gestratificeerd naar chronische LBP-status, worden beschreven in Tabel 1. De uiteindelijke analytische cohort omvatte 8.710 deelnemers uit NHANES 2001–2004 en 2009–2010, met een gemiddelde leeftijd van 49,13 jaar (SD = 18,43). Hiervan waren 4.528 (51,99%) vrouwen en 4.182 (48,01%) mannen. In totaal gaven 3.838 deelnemers aan LBP te hebben (gemiddelde leeftijd 48,...
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Deze studie gebruikte NHANES-gegevens en paste verschillende algoritmen toe, waarbij een verband werd gevonden tussen voedingsmicronutriënten en chronische LBP. Belangrijk is dat, gezien het dwarsdoorsnede-observationele ontwerp, deze bevindingen voorspellende associaties weerspiegelen in plaats van causale relaties, en de machine learning-modellen kunnen geen causaliteit vaststellen tussen micronutriënteninname en LBP-risico. Na featureselectie en collineariteitstesten leek het Random F...
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
De auteurs hoeven geen belangenconflicten aan te geven.
Dit werk werd ondersteund door de Hangzhou Project Foundation for Agriculture and Social Development (20241029Y119), het Xiaoshan District Science and Technology Plan Guidance Project (2025316), en het Zhejiang Province Traditional Chinese Medicine Science and Technology Project (2024ZR152).
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
| Naam | Bedrijf | Catalogusnummer | Opmerkingen |
|---|---|---|---|
| Automated Multiple-Pass Method (AMPM) | National Center for Health Statistics (NCHS), CDC | N/A | Dieetbeoordelingssysteem dat wordt gebruikt in NHANES 24-uurs dieetrecall-interviews om de nauwkeurigheid van rapportage te verbeteren |
| Boruta Algorithm | Open-source (R-pakket: Boruta) | N/A | Functieselectiemethode op basis van willekeurige bossen; gebruikt om relevante variabelen te identificeren door middel van vergelijking van schaduwcharakters |
| Computer-Assisted Personal Interviewing (CAPI) | National Center for Health Statistics (NCHS), CDC | N/A | Interviewsysteem dat wordt gebruikt door getraind personeel om vragenlijstgegevens te verzamelen |
| National Health and Nutrition Examination Survey (NHANES) | National Center for Health Statistics (NCHS), CDC | N/A | Landelijke enquête die demografische, voedingsgerelateerde en gezondheidsgerelateerde gegevens levert |
| Prostate Conditions Questionnaire (KIQ) | National Center for Health Statistics (NCHS), CDC | N/A | Vragenlijstbron die wordt gebruikt om rugpijninformatie te beoordelen |
| Random Forest Algorithm | Open-source (bijv. R / Python implementaties) | N/A | Machine learning-model dat wordt gebruikt in functieselectie en classificatie |
| Synthetic Minority Over-sampling Technique (SMOTE) | Open-source (bijv. DMwR / imbalanced-learn) | N/A | Oversamplingtechniek die wordt gebruikt om klasse-onbalans aan te pakken door synthetische minderheidsvoorbeelden te genereren |
Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken
Toestemming aanvragen