Explainable Machine Learning Framework for Predicting Cardiometabolic Risk Using Meal Timing and Eating Habits

Sintesi Tecnica: Framework di Machine Learning Spiegabile per la Predizione del Rischio Cardiometabolico mediante la Tempistica dei Pasti e le Abitudini Alimentari

Problematica
Le strategie tradizionali di valutazione del rischio cardiometabolico si basano prevalentemente su indicatori antropometrici e clinici statici (ad es., BMI, pressione sanguigna) e sul contenuto dietetico, trascurando spesso la dimensione temporale del comportamento alimentare. Sebbene la ricerca emergente sulla crononutrizione suggerisca che la tempistica e la regolarità dei pasti influenzino significativamente la salute metabolica — specificamente attraverso l'allineamento del ritmo circadiano — questi fattori sono raramente integrati nei modelli predittivi. Inoltre, le tecniche statistiche esistenti spesso non riescono a catturare le complesse relazioni non lineari tra i pattern comportamentali e gli esiti metabolici. Inoltre, la natura "black-box" dei modelli avanzati di machine learning (ML) limita la loro utilità clinica, poiché gli operatori sanitari necessitano di insight interpretabili per guidare gli interventi.

Metodologia
Questo studio trasversale ha analizzato i dati di 300 adulti, integrando dati demografici, antropometrici (BMI, rapporto vita-osteo/rapporto vita-fianchi), clinici (pressione sanguigna) e crononutrizionali (tempistica dei pasti, frequenza, regolarità e consapevolezza comportamentale).

• Preprocessamento dei Dati e Ingegneria delle Caratteristiche: I dati grezzi sono stati puliti, con valori mancanti imputati tramite media o moda. Le variabili categoriche sono state codificate e le variabili ordinali sono state ordinate numericamente. Sono state ingegnerizzate nuove caratteristiche per quantificare la variabilità comportamentale, inclusi un Punteggio di Disallineamento Circadiano, un Indice di Variabilità della Tempistica dei Pasti e un Indice di Qualità della Dieta. I predittori continui sono stati sottoposti a normalizzazione Z-score e trasformazione logaritmica per le distribuzioni asimmetriche.
• Sviluppo del Modello: Sono stati sviluppati e confrontati tre algoritmi di apprendimento supervisionato: Regressione Logistica (LR), Random Forest (RF) ed Extreme Gradient Boosting (XGBoost).
  • LR: Testata con regolarizzazione L1, L2 ed elastic-net (ottimo $C=1.0$).
  • RF: Configurata con 500 alberi, profondità massima di 20 e criteri di divisione specifici per bilanciare bias/varianza.
  • XGBoost: Ottimizzata tramite grid search con un tasso di apprendimento di 0.05, profondità massima di 6, rapporto di subsampling di 0.8 e parametri di regolarizzazione $\alpha=0.1, \lambda=1$.
• Validazione e Interpretabilità: I modelli sono stati valutati utilizzando una cross-validazione stratificata nidificata a 10 pieghe (10-fold). Le metriche di performance hanno incluso AUC-ROC, accuratezza, precisione, recall, F1-score e Brier score per la calibrazione. Per garantire l'interpretabilità, sono state applicate le Shapley Additive Explanations (SHAP) al modello con le migliori prestazioni per quantificare il contributo delle caratteristiche e identificare i driver comportamentali azionabili.

Risultati Chiave

• Performance del Modello: Il modello XGBoost ha dimostrato prestazioni superiori, raggiungendo un AUC-ROC di 0.98, un'accuratezza del 93%, una precisione del 92%, una recall del 91% e un F1-score di 0.92. Ha inoltre esibito la migliore calibrazione con un Brier score di 0.03. La Random Forest è seguita con un AUC di 0.94 e un'accuratezza dell'89%, mentre la Regressione Logistica ha raggiunto un AUC di 0.92 e un'accuratezza dell'87%.
• Predittori di Rischio:
  • Fisiologici: Il rapporto vita-osteo (WHR) e il BMI sono rimasti i predittori fisiologici più significativi (OR rispettivamente di 4.39 e 2.74).
  • Comportamentali/Crononutrizionali: L'analisi SHAP ha identificato la tempistica tardiva della cena (OR = 2.5), la tempistica irregolare dei pasti (OR = 1.6) e la ridotta aderenza alla frequenza raccomandata dei pasti (OR = 1.8) come i principali predittori indipendenti del rischio cardiometabolico.
  • Fattori Protettivi: Un aumento della frequenza dei pasti e una maggiore consapevolezza dell'importanza della tempistica dei pasti sono stati associati a una riduzione del rischio.
• Interazioni: Lo studio ha riscontrato un effetto cumulativo in cui gli individui con un WHR o un BMI più elevati erano maggiormente penalizzati da pattern alimentari irregolari e dalla cena tardiva, suggerendo che il disallineamento circadiano esacerba la vulnerabilità metabolica.

Contributi Chiave

1. Integrazione della Crononutrizione: Lo studio integra con successo la tempistica e la regolarità dei pasti in un framework di ML predittivo, dimostrando che questi fattori temporali forniscono un valore predittivo significativo oltre le misure antropometriche tradizionali.
2. Framework di IA Spiegabile: Combinando l'apprendimento d'insieme ad alte prestazioni (XGBoost) con SHAP, lo studio colma il divario tra accuratezza predittiva e interpretabilità clinica. Traduce gli output complessi del modello in obiettivi comportamentali specifici e modificabili (ad es., evitare cene tardive, mantenere la regolarità).
3. Identificazione della Consapevolezza come Fattore: La ricerca evidenzia la "consapevolezza della tempistica dei pasti" come un fattore comportamentale protettivo distinto, indipendente dalle dimensioni corporee o dalla qualità del cibo, suggerendo una componente cognitiva alla regolazione metabolica.

Significato e Rivendicazioni
L'articolo sostiene che l'integrazione della tempistica dei pasti e della regolarità comportamentale in modelli di machine learning spiegabili migliori significativamente l'accuratezza della predizione del rischio cardiometabolico. Gli autori affermano che il framework XGBoost-SHAP non solo offre un'elevata performance predittiva, ma elucida anche le interazioni tra composizione corporea e ritmi alimentari circadiani.

Fondamentalmente, lo studio pone la consapevolezza della tempistica dei pasti come un target a basso costo, scalabile e modificabile per gli interventi di salute pubblica. I risultati suggeriscono che sincronizzare il consumo di cibo con i cicli fisiologici naturali del corpo — specificamente evitando cene tardive e mantenendo programmi irregolari — può servire come strategia efficace per la prevenzione a lungo termine delle malattie cardiometaboliche, anche in individui con BMI normale. Gli autori sottolineano che questi interventi comportamentali possono mitigare gli impatti metabolici negli stili di vita moderni ed erratici senza necessariamente richiedere restrizioni dietetiche severe.

Nota: Trattandosi di una preprint, gli autori dichiarano esplicitamente che la ricerca non è stata certificata dalla revisione paritaria (peer review) e non deve essere utilizzata per guidare la pratica clinica.