通过使用一种先进的AI技术，约翰霍普金斯大学的研究人员展示了一种潜在的临床工具，可以预测腰围并识别有肥胖并发症风险的患者。这项研究由Catherine Graham撰写，于3小时前发布。
约翰霍普金斯大学的工程师发现，一种新的人工智能工具可以通过简单分析一个人的年龄、身高、体重、种族和教育水平来预测其腰围。该工具的高准确性可以帮助医生估计患者患糖尿病、心脏病、中风等肥胖相关疾病的风险，而这些疾病通常通过备受争议的身体质量指数（BMI）进行评估，BMI是根据一个人的身高和体重计算得出的。
这一发现已发表在《糖尿病与代谢综合征：临床研究与评论》上。“我们的方法使医生无需直接测量患者的腰围即可预测其肥胖风险，这可以节省时间并提高对肥胖相关疾病风险评估的准确性。”Rama Chellappa说道，他是彭博杰出教授。
“腰围与糖尿病和心脏病等健康风险密切相关，但在临床上并不经常测量，”Rama Chellappa补充道，“我们的方法使医生无需直接测量患者的腰围即可预测其肥胖风险，这可以节省时间并提高对肥胖相关疾病风险评估的准确性。”
该工具由约翰霍普金斯大学工程与医学人工智能实验室的研究人员开发，是一种高度准确的机器学习方法，可以在不进行物理测量的情况下预测腰围。这种创新的方法在大约95%的时间内能够准确估计腰围，提供了一个可靠的工具来评估与肥胖相关的健康风险。
这项研究由生物医学工程博士生Carl Harris领导。约翰霍普金斯大学医学院内分泌学、糖尿病和代谢科副教授Prasanna Santhanam和生物医学工程博士生Daniel Olshvang也参与了这项研究。研究团队表示，他们的工作展示了将AI预测整合到临床实践中的前景，特别是在治疗肥胖方面。
在评估肥胖风险时，医生通常会参考一个人的身体质量指数（BMI），即根据其身高和体重计算得出的值。但BMI测量并不全面；它不考虑身体成分、种族差异、年龄和其他因素，这些因素能更准确地反映一个人的健康状况。一个BMI“正常”的人可能比一个BMI较高的患者面临更高的肥胖相关健康问题风险。
越来越多的证据表明，腰围比单独的BMI更能预测与肥胖相关的健康问题。然而，研究人员指出，尽管腰围测量具有预测价值，但它面临着两个挑战：缺乏标准化的测量技术和在临床实践中使用频率低。约翰霍普金斯团队着手克服这些挑战。
他们分析了两项主要研究的数据，即全国健康和营养检查调查（NHANES）和糖尿病健康行动（Look AHEAD），这些数据包括患者的身高、体重、年龄、种族和教育水平（作为饮食习惯的替代指标）。然后，他们应用了一种称为“一致性预测”的机器学习技术来预测腰围。除了预测结果外，他们的模型还生成了一个值范围，表达了模型对预测准确性的信心。
研究团队的新方法显著优于当前的机器学习方法来预测腰围。此外，作者表明，不确定性范围是可靠和通用的，这意味着模型可以对与训练数据差异较大的人群（如糖尿病患者）做出准确的预测。
研究人员强调，新算法能够量化自身的不确定性不仅对其模型的成功至关重要，也是构建可信AI系统的关键。“我们的方法之所以突出，是因为我们不仅仅提供了一个单一的腰围预测值，而是创建了一个值范围，显示预测的确定性或不确定性。这增加了一层安全性和准确性，尤其是在临床环境中，这种不确定性对于指导决策至关重要。”Harris说道。
虽然结果令人信服，但研究人员警告说，这些结果仍处于初步阶段。团队表示，他们将在各种人群和临床环境中进一步测试该模型，以确认其在实际应用中的有效性。他们计划通过纳入其他因素如饮食和体力活动来改进模型，这可能会使预测更加精确。
(全文结束)
