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，约翰霍普金斯大学的工程师们发现。该工具的惊人准确性可以帮助医生估计患者患糖尿病、心脏病、中风和其他通常通过臭名昭著的身体质量指数（BMI）评估的肥胖相关疾病的风向。这些发现已发表在《糖尿病与代谢综合征：临床研究与评论》上。
“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，”通讯作者Rama Chellappa说道。Chellappa是布隆伯格电气与计算机工程和生物医学工程杰出教授。“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肥胖相关疾病风险评估的准确性。”
由约翰霍普金斯大学人工智能工程与医学实验室的研究人员开发的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。这种创新的方法大约95%的时间内可以准确估计腰围，提供了一个可靠的工具来评估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，内分泌学、糖尿病和代谢学系副教授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潜力，尤其是在治疗肥胖方面。
在评估肥胖风险时，医生通常参考一个人的身体质量指数（BMI），即其身高和体重的计算值。但BMI测量并不全面；它不考虑身体组成、种族差异、年龄和其他因素，这些因素可以更准确地反映一个人的健康状况。一个“正常”BMI的人可能比高BMI的人有更高的肥胖相关健康问题风险。
越来越多的证据表明，腰围是比单独的BMI更好的健康问题预测指标。然而，研究人员指出，尽管其预测价值很高，腰围测量仍面临两个挑战：缺乏标准化的测量技术及其在临床实践中使用的频率较低。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健康数据，包括国家健康与营养检查调查（NHANES）和Look AHEAD（糖尿病健康行动）中的患者信息，如身高、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。除了预测外，他们的模型还生成了一个表示模型对其预测准确性置信度的值范围。
该团队的新方法显著优于当前用于预测腰围的机器学习方法。此外，作者表明，不确定性范围是可靠和通用的，这意味着该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，而且对于构建值得信赖的AI系统也至关重要。
“我们的方法与众不同之处在于我们不仅仅提供一个腰围的单一预测，而是创建了一个表示预测确定性或不确定性的值范围。这增加了一层安全性和准确性，特别是在临床环境中，这种不确定性对于指导决策至关重要，”Harris说。
尽管令人信服，但研究人员警告说，结果是初步的。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，以确认其在实际环境中的有效性。他们计划通过纳入其他因素（如饮食和体力活动）来完善模型，这可以使预测更加精确。
(全文结束)
