Исследовательская статья
В данном исследовании изучаются связи между пищевыми микроэлементами и хронической болью в пояснице на основе данных NHANES. Интерпретируемые модели машинного обучения применяются для оценки предсказательной эффективности и выявления питательных веществ, связанных с снижением риска, предоставляя представление о возможных пищевых факторах, связанных с болями в пояснице.
Связь между пищевыми микроэлементами и риском хронической боли в пояснице (LBP) остаётся неясной. Были проанализированы данные Национального опроса по вопросам здоровья и питания (NHANES) за циклы 2001–2004 и 2009–2010 годов. Мультиколлинеарность оценивалась с использованием коэффициентов корреляции и инфляции дисперсии (VIF) Спирмана, а выбор признаков выполнялся с помощью алгоритма Боруты. Впоследствии было разработано шесть моделей машинного обучения, при этом применялись SHAP и LIME для повышения интерпретируемости и выявления ключевых связей между пищевыми микроэлементами и риском LBP. Среди оценённых моделей Random Forest показала наилучшую предиктивную эффективность как при учёте демографических переменных, так и при использовании исключительно пищевых микроэлементов. Анализ интерпретируемости последовательно выявлял несколько компонентов питания — включая влагу, теобромин, кальций, кофеин, натрий и витамин C — обратно связанные с риском LBP. Хотя модельная дискриминация была умеренной (AUC ≈ 0,60–0,72), эти результаты выявляют клинически значимые закономерности, которые могут поддерживать стратификацию риска на уровне популяции и выделить потенциально изменяемые диетические факторы для будущих исследований.
Хроническая боль в пояснице (LBP) является одним из самых распространённых заболеваний опорно-двигательного аппарата в мире и несёт значительные социально-экономические потери, связанные с инвалидностью, медицинским обслуживанием и потерей качества жизни. Эпидемиологические данные показывают, что 7–10% взрослых сообщают о ЛБП по всему миру, при этом распространённость за всю жизнь иногда достигает 84%1. Он наиболее распространён в странах с низким и средним уровнем дохода, где факторы, связанные с трудом, плохой доступ к медицинским услугам и социально-экономическое неравенство увеличивают риск, при этом распространённость часто превышает 20% среди трудоспособныхвзрослых 2. Особенно подростки и пожилые люди более уязвимы к структурным и дегенеративным изменениям, таким как дегенерация межпозвоночных дисков иостеопороз 3.
LBP — это многофакторное заболевание, на которое влияют биомеханические, психосоциальные, генетические и пищевые факторы, требующее аналитических методов, способных одновременно фиксировать сложные взаимодействия между этими разнообразными переменными. Недавние систематические обзоры продолжают подчёркивать, что этиология LBP остаётся загадочной, под влиянием биомеханических, психосоциальных и генетических факторов, и поэтому её трудно точно определить. Более 85% случаев «LBP» являются неспецифическими — что делает разработку целевой профилактики и лечениясложной 4,5. Хотя мультимодальные терапии, включающие сочетание физических и фармакологических методов, обычно обеспечивают облегчение симптомов, многие пациенты остаются рецидивирующими, что указывает на острую необходимость в новых, предотвратимых и модифицируемых факторах рискаЛБП 6.
Традиционные статистические методы ограничены в решении этой сложности, так как часто опираются на линейные предположения и не способны адекватно моделировать высокомерные взаимодействия и нелинейные связи, присущие многофакторным данным, таким как профили питания NHANES. В отличие от этого, подходы машинного обучения предлагают превосходную полезность, обрабатывая большое количество переменных одновременно, обнаруживая тонкие закономерности и взаимодействия, а также предоставляя надёжные прогнозы заболеваний, таких как LBP, где сходятся несколько факторов.
Пищевые микроэлементы, включая витамины, минералы и микроэлементы, необходимы для физиологического баланса и помогают снизить риск хронических заболеваний. Антиоксидантные витамины E (α-токоферол) и C снижают окислительное повреждение, присутствующее при сердечно-сосудистых и нейродегенеративныхзаболеваниях 7,8. Витамины B-комплекса, такие как тиамин (витамин B1), пиридоксин (витамин B6), фолат и кобаламин (витамин B12), также являются иммунорегуляторными и способствуют обмену энергии клеток; Дефициты которых связаны с раком, бесплодием и депрессивнымнастроением 9,10,11. Минералы, особенно магний, цинк, медь и селен, участвуют в ферментативных и противовоспалительных путях, которые предотвращают саркопение, эндометриоз и послеоперационные пищевые выделения после бариатрическойоперации 12. Нарративные обзоры подчёркивают их важность в профилактике сопутствующих заболеваний, связанных с ожирением, и кожных заболеваний, таких как себорейный дерматит и алопеция очаг, через липидную модуляцию и иммунологическуюроль 13,14. В целом, это сигнал о том, что лучшим подходом к общественному здоровью может быть достаточное потребление микронутриентов, хотя интервенционные исследования в основном показывают гетерогенные исходы на основе контекстуальныхфакторов 15,16.
Кроме того, приложения машинного обучения, включающие данные о питании, показали эффективность в выяснении факторов риска других заболеваний опорно-двигательного аппарата, таких как прогнозирование риска артрита по даннымопроса 17 и выявление факторов, влияющих на LBP и связанные с ним состояния в популяционныхкогортах 18.
Несмотря на множество связей между микронутриентами и хроническими заболеваниями, связь между микроэлементами в пищевой питании и риском LBP остаётся плохо определенной, а механизмы действия остаются неопределёнными. В то время как наблюдательные исследования часто сообщают о дефиците витамина D, магния и антиоксидантов у людей с LBP, мета-анализы исследований с добавками — особенно с использованием витамина D — дали ограниченные и противоречивые доказательства облегченияболи 19,20.
Систематический анализ существующей литературы выявляет ключевые ограничения: опору на поперечные и контрольные конструкции, которые не могут установитьпричинность 21; недостаточный контроль для смешивающихся факторов, включая демографию, образ жизни и сопутствующие заболевания20,22; небольшие и нерепрезентативные выборки; вариативные определения состояния микронутриентов и исходов боли; и акцент на изолированных питательных веществах без учета диетических синергий или антагонизмов23. Эти недостатки затрудняют разработку чётких, применимых инсайтов по модуляции питательной нормы ЛБП.
Для более явной структуры гипотезы предполагается, что микроэлементы оказывают защитное действие против ЛБП через триаду механически связанных путей: антиоксидантные и противовоспалительные действия, снижающие окислительный стресс и нейровоспаление (витамины C, E, селен, цинк, магний); поддержку нейронного восстановления и смягчения повреждений, вызванных гомоцистеином (витамины B-комплекса); а также улучшение гомеостаза костей и мышц с помощью минеральной сигнализации и регуляции кальция, опосредованного витамином D, (витамин D, магний, кальций). Такая структура подчёркивает двунаправленное взаимодействие между статусом микронутриентов, системным воспалением и хроничностью боли, что подтверждается ассоциациями с провоспалительнымидиетами 24.
Поперечные исследования показывают, что провоспалительные диеты с недостатком микроэлементов вызывают более высокий уровень боли в животе или хронической области, что указывает на двунаправленную связь, при которой недостаток микроэлементов усугубляет системное воспаление и боль24.
Для решения этих проблем были разработаны несколько моделей ML, включающих широкий спектр диетических микроэлементов (витамины (E, A, B1, B6, B12, C, K), минералы (кальций, магний, железо, цинк, медь, селен) и другие пищевые элементы, включая клетчатку, полиненасыщенные жирные кислоты, калий и кофеин) с данными NHANES для прогнозирования риска ЛБ. Эта стратегия, основанная на ML, особенно подходит для многофакторного характера LBP, поскольку преодолевает ограничения традиционной статистики, моделируя сложные, нелинейные ассоциации между питательной и другими факторами риска одновременно. Это более исчерпывающее исследование позволяет обрабатывать нелинейные ассоциации и предоставляет надёжное уравнение для ключевых предикторов LBP. Используя значения SHAP для глобальной интерпретации, они могут увидеть, как комбинации питательных веществ влияют на риск ЛБП, что открывает путь к персонализированным вмешательствам и нутригеномным исследованиям.
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Это расследование было одобрено Советом по этике Национального центра статистики здравоохранения (NCHS), и все участники получили информированное согласие. Публично доступные данные NHANES использовались в соответствии с соответствующими рекомендациями.
Исследуемая популяция
Национальное исследование здоровья и питания (NHANES), проводимое NCHS, предоставляет национально репрезентативные данные о здоровье и питательном состоянии неинституционализированного населения США. Были извлечены данные циклов 2001–2004 и 2009–2010 годов. Были включены участники в возрасте ≥18 лет, а лица с отсутствующими данными о хроническом ЛБП, пищевых микроэлементах, уровне образования или ключевых ковариатах — включая соотношение бедности и дохода (PIR), индекс массы тела (ИМТ), статус курения, гипертонии, диабет и употребление алкоголя — были исключены. Итоговая аналитическая когорта насчитывала 8 710 участников (рисунок 1).
Оценка пищевых питательных веществ
Данные о приёме пищи были получены с помощью двух 24-часовых интервью по воспоминанию о питании. Первое интервью проходило в Мобильном экзаменационном центре, а второе — по телефону в течение нескольких дней. Автоматизированный многопроходный метод был применён для повышения точности воспоминания и минимизации смещения отчётности. Подробные процедуры AMPM описаны в документации по методологии питания NHANES.
Оценка хронического ЛБП
Хронический статус ЛЦК определялся с помощью данных анкеты. Участников классифицировали с ЛБП, если они отмечали боль в спине, длимаяся ≥3 месяца.
Ковариаты
Демографические характеристики включали возраст, пол, расу/этническую принадлежность (мексиканец-американец, другие латиноамериканцы, нелатиноамериканцы белые, нелатиноамериканцы чернокожие, представители другой расы), образование (<9-й класс, 9–11-й), степень (аттестат о среднем образовании/GED, часть высшей степени/AA и выпуск колледжа), соотношение семейного дохода к бедности (PIR), индекс массы тела (ИМТ), статус курения, а также статус алкоголя и история гипертонии и диабета. Гипертония определялась на основе самосообщаемого диагноза врача или текущего применения антигипертензивных препаратов. Диабет определялся с помощью диагноза, сообщаемого врачом, повышенного уровня глюкозы после двухчасового теста толерантности на глюкозу (≥11,1 ммоль/л), гликированного гемоглобина ≥6,5% или глюкозы натощак ≥7,0 ммоль/л). Преддиабет определялся как сообщание врача о наличии преддиабета, значения толерантности глюкозы OGTT за 2 часа 7,8–11,1 ммоль/л, уровень глюкозы натощак 6,1–6,9 ммоль/л, или значение HbA1c в диапазоне от 5,7% до 6,4%. Статус курения был определен как (1) нерегулярное курение до последнего месяца или прекращение более чем на год, и (2) курение в настоящее время (самоотчётное недавное) определяется как курение более 2 сигарет в день после возвращения к привычке или до отказа. Что касается статуса алкоголя, существуют два определения: (1) пожизненные неупотребляющие алкоголь без предыдущего употребления алкоголя (всего <12), и (2) текущие пьющие, сообщающие о употреблении ≥12 раз в год или не менее шести раз за последние 12 месяцев. ИМТ рассчитан как вес ÷ рост2.
Предобработка и отбор признаков для машинного обучения
Всего было включено 52 переменных, включая 45 непрерывных и 7 категориальных переменных. Все процедуры предварительной обработки и выбора признаков — включая удаление мультиколлинеарности, применение SMOTE и выбор признаков на основе Boruta — выполнялись исключительно на обучающем наборе для предотвращения утечек данных. Для устранения мультиколлинеарности сначала удалялись переменные с коэффициентами корреляции выше 0,9, а затем переменные с VIFs больше 3.
Для улучшения дисбаланса классов и признания меньшинственных (читай: более сложных) классов была применена Синтетическая техника перевыборки меньшинств (SMOTE) (дополнительный рисунок 1), которая создаёт расстояния между выборками меньшинств, рассчитывает k-ближайших соседей для этих расстояний и генерирует синтетические данные в случайных направлениях для балансировки классов. Все использованные переменные были стандартизированы.
Выбор признаков был завершён с помощью Боруты на случайных лесах, который генерировал так называемые «теневые особенности» и «тестировал» их по сравнению с входными объектами более 500 итераций. Те, классифицированные как «подтверждённые», оставались для создания модели. Для получения подробной информации о наладке гиперпараметров, пожалуйста, обратитесь к Дополнительной таблице 1.
Статистический анализ
Все анализы проводились в соответствии с аналитическими рекомендациями NHANES. Непрерывные переменные были представлены как средние ± стандартных отклонений (SD), а категориальные переменные выражались в виде количества и процентов. Различия между группами проверялись с помощью хи-квадрата или t-тестов Студента, где это было уместно.
Чтобы избежать перенагона, данные случайным образом делились на обучающийнабор 7 и тестовый. С помощью MLR3 было создано шесть алгоритмов машинного обучения: Random Forest, который строит множество деревьев принятия решений и объединяет их предсказания, обладающий высокой универсальной силой и согласованностью; LightGBM основана на деревьях решений с градиентным усилением, которая настроена на эффективность и масштаб; K-KNN сортирует выборки в зависимости от близости к соседям. K-KNN обычно показывает лучшие результаты на небольших нелинейных наборах данных; наивный Байес, который, используя теорему Байеса, придаёт простоту и является устойчивым; SVM, обладающий идеальными гиперплоскостями для задачи классификации, даже для образцов с высокой размерностью; XGBoost — это разновидность ансамбля градиентного бустинга, обладающая высокой производительностью даже при очень больших неполных наборах данных.
Модель оценивалась с использованием точности, F-бета, площади под кривыми ROC (AUC-ROC), чувствительности, специфичности и AUC-PR. AUC-ROC — это основная метрика, которую они используют, а остальные метрики дают более глубокое понимание производительности. Они проверяют свои модели с помощью десятикратной перекрёстной валидации для обеспечения стабильности. Различия в характеристиках их моделей оценивались с помощью ANOVA и теста Крускаля–Уоллиса H.
Интерпретируемость признаков была исследована с помощью SHapley Additive exPlanations (SHAP) и локальных интерпретируемых моделей-независимых объяснений (LIME). SHAP выводит оценки вклада каждого признака в прогнозы моделей, используя значения Шепли, основанные на кооперативной теории игр, для представления как линейных, так и интерактивных эффектов. LIME выводит влияние признаков, приближая сложные модели с более простыми, интерпретируемыми суррогатами (например, регрессии Лассо), чтобы помочь объяснить влияние отдельных признаков. Все анализы проводились в версии IBM SPSS Statistics версии 24.0 и в версии R 4.3.0. Двухстороннее p-значение < 0,05 считается статистически значимым.
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Исходные характеристики по хроническому состоянию LBP
Исходные характеристики, стратифицированные хроническим ЛБП, описаны в Таблице 1. Итоговая аналитическая когорта включала 8 710 участников из NHANES 2001–2004 и 2009–2010 годов, со средним возрастом 49,13 года (SD = 18,43). Из них 4 528 (51,99%) были женщинами и 4 182 (48,01%) — мужчинами. В целом 3 838 участников сообщили о наличии ЛБП (средний возраст 48,62 года; SD = 17....
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
В этом исследовании использовались данные NHANES и применялись несколько алгоритмов, что позволило найти связь между пищевыми микроэлементами и хроническим ЛБП. Важно, что учитывая поперечное сечение наблюдательного дизайна, эти результаты отражают предсказательные ассоциации, а не причинно-следственные связи, и модели машинного обучения не могут установить причинно-следственную связь между потреблением микроэлементов и риском LBP. После выбора признаков и коллинеарного тестирования Rand...
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
У авторов нет конфликта интересов, которые можно было бы заявлять.
Эта работа была поддержана Фондом проекта Ханчжоу по сельскому хозяйству и социальному развитию (20241029Y119), Проектом руководства по плану науки и технологий района Сяошань (2025316) и Проектом традиционной китайской медицины провинции Чжэцзян (2024ZR152).
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
| Имя | Компания | Каталожный номер | Комментарии |
|---|---|---|---|
| Автоматизированный многопроходный метод (AMPM) | Национальный центр статистики здравоохранения (NCHS), CDC | Н/Д | Система оценки диеты, используемая в 24-часовых интервью NHANES по воспоминаниям диеты для повышения точности отчетности |
| Алгоритм Боруты | Открытый исходный код (пакет R: Boruta) | Н/Д | Метод выбора признаков на основе случайных лесов; используется для выявления релевантных переменных посредством сравнения теневых признаков |
| Компьютерное личное интервьюирование (CAPI) | Национальный центр статистики здравоохранения (NCHS), CDC | Н/Д | Система интервью, используемая обученным персоналом для сбора данных анкет |
| Национальное исследование здоровья и питания (NHANES) | Национальный центр статистики здравоохранения (NCHS), CDC | Н/Д | Общенациональный опрос, предоставляющий демографические, диетические и медицинские данные |
| Анкета по состоянию простаты (KIQ) | Национальный центр статистики здравоохранения (NCHS), CDC | Н/Д | Источник анкеты, используемый для оценки информации о болях в спине |
| Алгоритм случайного леса | Открытый исходный код (например, реализации R / Python) | Н/Д | Модель машинного обучения, используемая для выбора и классификации признаков |
| Синтетическая техника перевыборки меньшинств (SMOTE) | Открытый исходный код (например, DMwR / небалансированное обучение) | Н/Д | Техника перевыборки, используемая для устранения дисбаланса классов путём генерации синтетических меньшинственных выборок |
Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE
Запросить разрешение