Прогнозный анализ эффективности дефицита витамина D с использованием модели дерева решений

Актуальность. Печень является основным местом синтеза витамина D (ВД), участвующего в различных патофизиологических механизмах при различных заболеваниях. Поэтому важно спрогнозировать степень дефицита ВД при помощи различных методов. Наше исследование было направлено на оценку эффективности дерева решений (DT) как одной из моделей машинного обучения для прогнозирования степени дефицита ВД. Методы. Всего было обследовано 292 пациента с ХГВ. У каждого из них определен уровень ВД в сыворотке. Для прогнозирования дефицита ВД использовались независимые характеристики, такие как возраст, пол, вес, рост, содержание цинка, индекс массы тела, жировые отложения, частота и продолжительность воздействия солнечного света и потребление молока. Информация 60% пациентов была внесена в обучающий набор данных случайным образом. Для оценки эффективности дерева решений результаты исследований оставшихся 40% пациентов были использованы в качестве набора данных тестирования. Валидация модели оценивалась кривой ROC. Результаты. Распространенность дефицита ВД среди пациентов была высокой (63,0%). Окончательные результаты экспериментов показали, что классификатор DT обеспечивает точность 96% и превосходит по производительности при обучении и тестировании набора данных о ВД. Кроме того, площади под кривой ROC AUC составила (0,78) при применении алгоритма DT со значимыми переменными путем перекрестной проверки, с получением значения AUC = 0,78 и точности 85,3%. Заключение. Мы пришли к выводу, что уровень цинка в сыворотке крови является важным сопутствующим фактором риска для выявления случаев дефицита ВД. Кроме того, риск дефицита ВД можно предсказать с высокой точностью с использованием алгоритма обучения дерева решений. Полученные данные можно применять в ходе противовирусной терапии у пациентов с ХГВ.