EUVIMEDEUVIMED entdecken
Open Access · CC BY 4.0

Sex-Specific Explainable Machine Learning Models of Diabetic-Range 120-Minute OGTT Glucose Using Non-Invasive Variables

Geschlechtsspezifische erklärbare Machine-Learning-Modelle für 120-Minuten-OGTT-Glukose im Diabetesbereich mit nicht-invasiven Variablen

YongJun Kim, JooYong Park

Medical Sciences · 09.11.2026 · 14 (7) · 766

DOI: 10.3390/medsci14070766 ↗

Auf einen Blick

Bei 8.555 Teilnehmenden sagten geschlechtsspezifische Modelle eine 120-Minuten-OGTT-Glukose von ≥200 mg/dL nur mäßig voraus. Die beste Trennschärfe lag bei Frauen höher als bei Männern.

Fragestellung

Können geschlechtsspezifische Machine-Learning-Modelle mit nicht-invasiven Variablen Personen mit 120-Minuten-OGTT-Glukose von ≥200 mg/dL identifizieren?

Methode

Analyse von Basisdaten aus der KoGES-Ansan-und-Ansung-Kohorte; 5 Klassifikationsmodelle je Geschlecht mit 20 nicht-invasiven Variablen; Bewertung auf Testsets; SHAP zur Interpretation.

Ergebnisse

AUROC: 0,579 bis 0,665 bei Männern und 0,656 bis 0,735 bei Frauen. Höchste F2-Werte: 0,276 (logistische Regression) bei Männern und 0,300 (Random Forest) bei Frauen.

Einschränkungen

Die Vorhersageleistung war gering; die geringe Präzision schränkte den Nutzen für die OGTT-Auswahl ein.

Schlussfolgerung der Autor:innen

Die Modelle zeigten nur mäßige Vorhersageleistung mit geringer Präzision. Die Modell-Erklärungen identifizierten nicht-invasive Merkmale, deren klinischer Nutzen noch zu prüfen ist.

Kernaussagen

  • AUROC bei Frauen höher als bei Männern
  • Beste F2-Werte: 0,276 bzw. 0,300
  • Körperfettmasse und Alter gehörten zu wichtigen Variablen

Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.

Kurz gefasst

Fachartikel in der Zeitschrift Medical Sciences, online erschienen am 09.11.2026. Verfasst von YongJun Kim und 1 weiteren Autor:innen. Die Arbeit nennt 26 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).

Auf einen BlickAbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Background/Objectives: This study evaluated whether sex-specific machine learning models using non-invasive variables could identify individuals with glucose concentrations of ≥200 mg/dL at 120 min during an oral glucose tolerance test (OGTT) and examined the characteristics contributing to model predictions.

Methods

Baseline data from 8555 participants (4055 men and 4500 women) in the Korean Genome and Epidemiology Study (KoGES) Ansan and Ansung cohort were analyzed separately by sex. Five classification models were developed using 20 non-invasive variables, with class weighting where supported and F2-based hyperparameter and threshold optimization. Performance was evaluated on held-out test sets, and SHapley Additive exPlanations (SHAP) were used for model interpretation.

Results

The area under the receiver operating characteristic curve (AUROC) ranged from 0.579 to 0.665 in men and from 0.656 to 0.735 in women. The highest F2 scores were 0.276 (logistic regression) in men and 0.300 (random forest) in women. Body fat mass in men and age in women ranked among the top three variables in four of the five models, and blood pressure was frequently important in both sexes.

Conclusions

The models showed modest predictive performance, with low precision limiting their use for OGTT selection. Model explanations identified non-invasive characteristics contributing to positive predictions that may inform clinical risk-factor review alongside glucose testing. Whether these explanations improve clinical decisions or patient outcomes remains to be established.

Zitieren

APA

Kim, Y., & Park, J. (2026). Sex-Specific Explainable Machine Learning Models of Diabetic-Range 120-Minute OGTT Glucose Using Non-Invasive Variables. Medical Sciences, 14(7), 766. https://doi.org/10.3390/medsci14070766

Vancouver

Kim Y, Park J. Sex-Specific Explainable Machine Learning Models of Diabetic-Range 120-Minute OGTT Glucose Using Non-Invasive Variables. Medical Sciences. 2026;14(7):766. doi:10.3390/medsci14070766

BibTeX
@article{Kim2026,
  author = {Kim, YongJun and Park, JooYong},
  title = {Sex-Specific Explainable Machine Learning Models of Diabetic-Range 120-Minute OGTT Glucose Using Non-Invasive Variables},
  journal = {Medical Sciences},
  year = {2026},
  volume = {14},
  number = {7},
  pages = {766},
  doi = {10.3390/medsci14070766}
}
Kostenlos starten →