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
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).
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}
}
EUVIMED