用于评估未确诊人群 2 型糖尿病风险的无监督潜在模式分析
机器学习
2025-06-09 v2 应用统计
摘要
全球糖尿病患病率，特别是 2 型糖尿病 (T2DM) 正在迅速增加，构成了重大的健康与经济挑战。T2DM 不仅破坏血糖调节，还损害心脏、肾脏、眼睛、神经和血管等重要器官，导致显著的发病率与死亡率。仅在美国，2022 年确诊糖尿病的经济负担就超过了 4000 亿美元。及早发现高危个体对于减轻这些影响至关重要。尽管用于 T2DM 预测的机器学习方法日益普及，但许多方法依赖监督学习，而这往往受限于缺乏已确认的阴性病例。为解决这一局限性，我们提出了一种新的无监督框架，将非负矩阵分解 (NMF) 与统计技术相结合，以识别有发展为 T2DM 风险的个体。我们的方法识别出确诊 T2DM 患者中多病共存与多重用药的潜在模式，并将这些模式应用于评估未确诊个体的 T2DM 风险。通过利用来自合并症与药物使用的数据驱动洞察，我们的方法提供了可解释且可扩展的解决方案，可协助医疗服务提供者实施及时干预，最终改善患者预后并可能减少未来 T2DM 的健康与经济负担。
引用
@article{arxiv.2505.21824,
title = {Unsupervised Latent Pattern Analysis for Estimating Type 2 Diabetes Risk in Undiagnosed Populations},
author = {Praveen Kumar and Vincent T. Metzger and Scott A. Malec},
journal= {arXiv preprint arXiv:2505.21824},
year = {2025}
}