Identifying Risk Factors and Predicting Type 2 Diabetes

Abstract

Type 2 Diabetes Mellitus (T2DM) is a chronic disease increasingly prevalent in modern societies, associated with various health complications. Effective prediction of T2DM progression is crucial for early prevention. In this study, we utilized Bayesian Networks (BN) and particularly Dynamic Bayesian Networks (DBN), which are well-suited for analyzing data collected over time, to forecast the progression of T2DM. We used data from the KoGES, which encompasses lifestyle, health indices, and air pollution variables, to identify risk factors and their associations affecting the future incidence of T2DM. Our models shows that HbA1c, HOMA-β, and HOMA-IR directly influence the T2DM, whereas Age, SEX, and Region have indirect impacts on its future development. The study also highlights the role of BMI in mediating T2DM risk, underscoring the necessity of managing obesity. Additionally, the conditional probability table revealed that "mid" or "high" levels of PM2.5, coupled with "obese" BMI status, consistently lead to increased probabilities of developing T2DM, emphasizing the significant impact of elevated PM2.5 levels and obesity on the disease risk. Lastly, we showed that our DBN model has better prediction performance than traditional static BNmodels, which only utilize data from a single time point. This underscores the capability of DBN models in handling longitudinal data, providing a more accurate and dynamic approach to understanding T2DM risk.;제2형 당뇨병(T2DM)은 현대 사회의 만성 질환으로, 다양한 건강 합병증을 동반하며 T2DM의 진행을 효과적으로 예측하는 것은 조기 예방을 위해 중요하다. 이 연구에서는 시간에 따른 데이터 분석에 적합한 동적 베이지안 네트워크(DBN)를 사용하여 T2DM의 진행을 예측하였다. 생활 방식, 건강 지표, 대기 오염 변수를 포함하는 KoGES 데이터를 사용하여 T2DM 발생에 영향을 미치는 위험 요인과 그 연관성을 파악하였다. 우리의 모델은 HbA1c, HOMA-β, HOMA-IR이 T2DM에 직접적인 영향을 미치며, 나이, 성별, 지역은 간접적인 영향을 미친다는 것을 보여준다. 또한, 연구는BMI가 T2DM 위험을 매개하는 역할을 강조하며, 비만 관리의 필요성을 강조한다. 추가적으로, 조건부 확률 표는 PM2.5의 '중간' 또는 '높음' 수준과 '비만'인BMI 상태가 결합될 때 T2DM 발달 확률이 일관되게 증가함을 밝혔다. 이는 높 은 PM2.5 수준과 비만이 질병 위험에 미치는 중대한 영향을 강조한다. 마지막으로, 구축한 DBN 모델은 단일 시점의 데이터만을 사용하는 전통적인 정적 BN 모델보다 더 나은 예측 성능을 보였다. 이는 DBN 모델이 종단적 데이터를 처리하는 능력을 강조하며, T2DM 위험을 이해하는 데 있어 더 정확하고 동적인 접근 방식을 제공한다.