一区IF 12.9！NHANES＋机器学习成发文主流 | NHANES数据库周报（10.26~11.1）

美国国家健康和营养检查调查（NHANES）是一项旨在评估美国成人和儿童健康和营养状况的研究计划。该调查的独特之处在于它结合了访谈和体格检查。由美国疾病控制和预防中心（CDC）负责为国家提供健康统计数据。

NHANES计划始于20世纪60年代初，并作为一系列针对不同人口群体或健康主题的调查进行。自1999年以来，对美国的人口健康状况进行了更为定期的调查。每次调查中，来自美国约3000个县中30个选定县的约10000名参与者被要求在移动检查中心（MEC）参加家庭访谈、随后的身体检查和实验室测试。

NHANES访谈包括人口统计，社会经济，饮食和健康相关问题。检查部分包括医疗，牙科和生理测量，以及由训练有素的医务人员进行的实验室测试。

一、2024年NHANES文献预览

本周PubMed数据库“标题/摘要：NHANES”搜索发现，共发表101篇NHANES论文。其中6篇一区，36篇二区。

1.外国学者文章介绍（一）

文章题目：采用集成机器学习对临床风险预测算法进行基准测试，用于非酒精性脂肪肝肝纤维化的无创诊断。

研究背景与目的：Ensemble机器学习方法，如超级学习器，将联合收割机多个模型组合成一个模型，以提高预测准确性。在这里，我们探索了超级学习者作为临床风险预测基准工具的潜力，说明了在NAFLD患者中识别显著肝纤维化的方法。

方法 ：我们使用23个人口统计学/临床变量来训练来自NASH临床研究网络观察性研究（n = 648）的数据的超级学习者，并使用来自FLINT试验（n = 270）和全国健康和营养调查（NHANES）的NAFLD参与者（n = 1244）的数据验证模型。

结果：将超级学习者的性能与现有模型进行比较（纤维化-4 [FIB-4]、NAFLD纤维化评分、Forns、AST与血小板比率指数[APRI]、BARD和脂肪变性相关纤维化估计值[SAFE]），在FLINT和NHANES验证集中表现出较强的区分能力，AUC为0.79（95%CI：0.73-0.84）和0.74（95%CI：0.68-0.79）。

结论：值得注意的是，SAFE评分与超级学习者的表现相似，两者在验证数据集中的表现都优于FIB-4，APRI，Forns和BARD评分。令人惊讶的是，来自12个基本模型的超级学习者的表现与90个基本模型的表现相匹配。总体而言，超级学习者作为“同类最佳”机器学习预测器，在检测纤维化NASH方面表现出色，这种方法可用于对传统临床风险预测模型的性能进行基准测试。