A Unified Three-Stage Machine Learning Framework for Diabetes Detection, Subtype Discrimination, and Cognitive-Metabolic Hypothesis Testing

Technische Samenvatting: Een Geïntegreerd Drie-Fase Machine Learning Kader voor Diabetesdetectie, Subtype Discriminatie en Toetsing van Cognitief-Metabole Hypothesen

Probleemstelling
Huidige machine learning (ML) benaderingen voor de voorspelling van diabetes mellitus staan voor drie primaire beperkingen: (1) Onvolledigheid van metrieken, waarbij studies vaak prioriteit geven aan nauwkeurigheid boven klinisch kritieke metrieken zoals recall en ROC-AUC, wat mogelijk leidt tot het missen van vals-negatieven; (2) Gebrek aan subtype-discriminatie, waarbij Type 1 (T1DM) en Type 2 (T2DM) diabetes frequent worden samengevoegd tot één binaire klasse ondanks verschillende etiologieën en behoeften voor management; en (3) Onverkende cognitief-metabole koppelingen, specifiek de hypothese van "Type 3 diabetes" (T3DM), die een neurodegeneratief pad voorstelt gedreven door centrale insulineresistentie, en computergewijs ongetest blijft op publieke longitudinale data.

Methodologie
De auteurs stellen een reproduceerbaar, drie-fase kader voor dat gebruikmaakt van drie verschillende datasets: het NCSU Diabetes Dataset (gemengde Indiase cohort), de Pima Indians Diabetes Database (voor benchmarking), en de Ohio Longitudinal Cognitive Dataset (n=373).

• Fase 1: Binaire Diabetesdetectie & Verklaarbaarheid

  • Data Preprocessing: Categoriele symptomen werden gebinariseerd; fysiologisch onmogelijke nul-waarden werden geïmputeerd met medianen; uitschieters werden gefilterd via IQR; en kenmerken werden gestandaardiseerd.
  • Modellering: Vijf supervised classifiers (SVM-RBF, Logistische Regressie, Random Forest, Extra Trees, Gradient Boosting) en een Stacking Ensemble werden getraind met gebruik van gestratificeerde 5-voudige cross-validatie.
  • Evaluatie: Modellen werden beoordeeld aan de hand van zes metrieken: Nauwkeurigheid, Gebalanceerde Nauwkeurigheid, Precisie, Recall, F1-score en ROC-AUC.
  • Verklaarbaarheid: SHAP (SHapley Additive exPlanations) waarden werden berekend met een TreeExplainer op het best presterende boom-ensemble om dominante voorspellende biomerkers te identificeren.

• Fase 2: Ongesuperviseerde Subtype-Clustering

  • Cohort: Beperkt tot bevestigde diabetesgevallen (DO=1) uit het NCSU dataset.
  • Kenmerken: Glucose, Insuline en Leeftijd werden geselecteerd op basis van fysiologische relevantie voor T1DM/T2DM differentiatie.
  • Algoritme: K-Means clustering werd toegepast met $k$ variërend van 2 tot 8.
  • Validatie: De optimale $k$ werd bepaald met behulp van drie interne validatie-indicatoren: Silhouette Coëfficiënt, Davies-Bouldin Index en Calinski-Harabasz Score.

• Fase 3: T3DM Hypothesetoetsing

  • Hypothese 1 (H1): Getoetst op significante verschillen in Glycemische Controle over drie cognitieve groepen (Niet-dement, Dement, Geconverteerd) met behulp van Kruskal-Wallis one-way ANOVA.
  • Hypothese 2 (H2): Getoetst op een monotoon verband tussen Glycemische Controle en Cognitieve Functie (COG-FUNC) met behulp van Spearman rangcorrelatie, met toepassing van Holm-Bonferroni correctie voor meervoudige vergelijkingen.

Belangrijkste Resultaten

• Binaire Classificatie:

  • Prestatie: SVM-RBF en Logistische Regressie behaalden de hoogste ROC-AUC ($0.825 \pm 0.026$ en $0.825 \pm 0.034$, respectievelijk). Random Forest behaalde de hoogste ruwe nauwkeurigheid ($0.762$) maar de laagste recall ($0.556$), wat wijst op een hoog percentage gemiste diabetesgevallen.
  • Testset: Op de vastgehouden testset behaalde SVM-RBF een recall van $0.741$ en een ROC-AUC van $0.800$.
  • Verklaarbaarheid: SHAP-analyse identificeerde Glucose, BMI en Leeftijd als de dominante voorspellende biomerkers. Kenmerken zoals Polyphagie en Roken toonden marginale voorspellende bijdrage ($|SHAP| < 0.05$).

• Subtype-Clustering:

  • Validatie: Een oplossing met 2 clusters ($k=2$) werd geselecteerd op basis van een Silhouette-score van $\approx 0.116$ en klinische parsimonie.
  • Profielen: Cluster 0 vertoonde een lagere mediane Insuline en een jongere leeftijd (in overeenstemming met T1DM-phenotypes), terwijl Cluster 1 een hogere mediane Insuline en oudere leeftijd liet zien (in overeenstemming met T2DM-phenotypes). De auteurs merken op dat de scheiding gematigd is, wat de biologische overlap tussen subtypes weerspiegelt.

• Cognitief-Metabole Associatie:

  • Groepsverschillen: Kruskal-Wallis toetsing faalde om significante verschillen in Glycemische Controle over cognitieve groepen te vinden ($p = 0.541$).
  • Correlatie: Er werd een statistisch significante positieve Spearman-correlatie gevonden tussen Glycemische Controle en Cognitieve Functie ($\rho_s = 0.208, p = 5.29 \times 10^{-5}$). Dit resultaat overleefde de Holm-correctie ($p_{Holm} = 1.06 \times 10^{-4}$), wat een matige positieve associatie ondersteunt waarbij betere metabole regulatie voorkomt samen met hogere cognitieve functie.

Betekenis en Claims
Het artikel claimt diabetesonderzoek te bevorderen langs drie assen:

1. Detectieprestaties: Door prioriteit te geven aan recall en ROC-AUC boven ruwe nauwkeurigheid, adresseert het kader de klinische noodzaak om vals-negatieven te minimaliseren bij screening.
2. Klinische Interpretatie: Het gebruik van SHAP biedt model-onafhankelijke, post-hoc verklaringen die direct corresponderen met gevestigde klinische biomerkers, wat het vertrouwen in ML-outputs versterkt.
3. Multi-Type Scope: Het kader gaat voorbij aan binaire detectie om een ongesuperviseerde proxy te bieden voor subtype-discriminatie en levert de eerste computationele, open-data bevestiging van de T3DM-hypothese met behulp van statistische hypothesetoetsing op longitudinale cognitieve data.

De auteurs benadrukken dat het kader is ontworpen voor reproduceerbaarheid, waarbij alle code en dataprocessing-stappen zijn vrijgegeven als een geannoteerd Jupyter notebook. Zij merken bescheiden beperkingen op, waaronder het ontbreken van ground-truth subtype-labels voor de clustering-fase en het cross-sectionele karakter van de cognitieve analyse, wat causale inferentie met betrekking tot T3DM beperkt.