Estimating VO2max in patients with obesity using machine learning: A retrospective observational cohort study
这项回顾性研究表明，机器学习模型，特别是贝叶斯岭回归和自动相关性检测，能够利用易于获取的生理输入指标有效地估算肥胖成年人的最大摄氧量（VO2max），尽管与直接测量相比仍存在一定的准确度差距，但这为传统测试提供了一种极具前景的替代方案。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
人体是一个非凡的引擎，但其最重要的仪表盘往往最难读取。这个仪表盘就是心肺耐力，它是衡量心脏、肺部和肌肉在剧烈运动中协同消耗氧气的效率的指标。在医学术语中，这种峰值能力被称为 VO2max（最大摄氧量）。它是长期健康的强大预测指标；低分所带来的早逝风险与吸烟或糖尿病相当。几十年来，准确测量这一指标的唯一方法是将人放在跑步机或功率自行车上，让他们运动直到无法再进行下去，并使用昂贵且复杂的机器分析他们的呼吸。这个过程既耗时，又需要专业人员，而且对于体重较大的个体来说，在体力上可能具有挑战性。因此，许多人，特别是患有严重肥胖症的人，从未接受过测试，导致医生缺乏这一关键的健康信息。
挪威的一个研究小组致力于解决这个问题，他们试图探究计算机是否可以通过仅利用标准医疗记录中已有的基本信息，来推测一个人的体能水平。他们特别关注了患有严重肥胖症的成年人，这一群体通常被排除在那些创建了旧有标准估算公式的研究之外。通过将 253 名患者的数据输入先进的计算机程序，研究团队训练这些模型，寻找简单测量数据（如年龄、身高和体重）与实际运动期间摄氧量之间的模式。他们的目标不是取代金标准的医疗测试，而是为无法进行完整测试的情况创造一种可靠且易于获取的替代方案。
研究人员分三步走来解决这个问题，逐步给予计算机更多的信息。在第一步中，模型只看到了四个基本事实：患者的性别、年龄、身高和体重。在第二步中，他们加入了腰围和臀围的测量值，以及血压读数。在最后一步，也是最详细的一步，模型还学习了患者的脂肪质量以及静息心率和最大心率。团队测试了 11 种不同类型的机器学习模型，以观察哪一种能做出最准确的猜测。他们发现，两种特定的模型类型——即贝叶斯岭回归（Bayesian Ridge Regression）和自动相关性确定（Automatic Relevance Determination）——表现最好。这些模型学会了根据可用数据的多少，对每条信息的权重进行不同的分配。
当这些模型在从未见过的患者身上进行测试时，随着数据的增加，它们展现出了明显的改进模式。使用仅包含四个基本事实的最简单模型，在猜测摄氧量时的平均误差约为 12.5%。当模型获得关于身体形态和血压的额外细节时，误差降至 12.0%。在使用包括心率和脂肪质量在内的全套信息后，误差进一步降至 11.3%。虽然这不如跑步机测试的直接测量那样精确（直接测量的误差通常仅为 2% 到 6%），但研究人员指出，在无法进行直接测试的情况下，11% 的误差幅度对于临床估算通常是可以接受的。研究还显示，计算机模型在发现重要因素方面表现得非常一致。在所有三个复杂程度层级中，患者的性别和年龄都是体能的最强预测因子。男性持续表现出比女性更高的体能水平，且体能随年龄增长而下降，这一模式符合数十年来公认的医学知识。
这项研究还揭示了身体成分如何影响这些估算。在最简单的模型中，体重似乎并不重要。然而，一旦模型学习了脂肪质量和其他生理细节，体重就成为了一个显著因素。这很有道理，因为体重较大的人需要移动更多的质量，这需要消耗更多氧气，但前提是这些额外质量是活跃组织而非仅仅是脂肪。研究人员发现，腰围也是一个有用的线索；较大的腰围与较低的体能水平相关，这可能是因为过多的腹部脂肪会限制横膈膜的运动，使运动时的呼吸变得困难。令人惊讶的是，臀围和血压读数对最终估算的影响微乎殆微，这表明对于这一特定患者群体，这些测量值并未提供超出已知年龄、性别和体重之外的新信息。
计算机模型最显著的特征之一是它们表达怀疑的能力。由于表现最好的模型是基于处理概率的数学构建的，因此它们可以告诉研究人员它们对每个猜测的信心程度。研究发现，误差的大小与模型的确定性之间存在直接联系：当模型不确定时，它更有可能出错。这一特性在现实世界的诊所中至关重要，因为它能让医生不仅看到一个数字，还能看到一个警告信号，提示该数字可能不准确。这将帮助临床医生决定何时可以依赖估算值，以及何时患者真正需要进行完整的、严格的运动测试。
研究人员谨慎地指出，他们的发现是基于挪威一家医院相对较小的患者群体，并且这些模型在准确度上仍不及直接测量。他们强调，虽然这些工具是向前迈出的一步，但它们还不是最终的解决方案。研究表明，随着更大规模的人群参与，以及可能加入更多关于生活方式习惯的数据，这些计算机猜测可能会变得更加精准。目前，这项工作证明了机器学习可以成功地将常规医疗数据转化为有意义的心肺健康评估，为监测这一历史上难以评估的人群提供了一种负担更轻的新方法。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。