使用机器学习方法预测骨质疏松风险的预测模型及其在大型队列中的验证
Xuangao Wu1, Sunmin Park1,2
1Department of Bioconvergence, Hoseo University, Asan, Korea.
Journal of Korean medical science
|June 4, 2023
概括
机器学习使用包括遗传在内的15个关键因素准确预测骨质疏松风险. 这个模型有助于早期发现骨质疏松症和预防风险人群的预防策略.
科学领域:
- 生物医学工程 生物医学工程
- 老年学是一门学科.
- 计算生物学 计算生物学
背景情况:
- 骨质疏松症的特征是骨矿物质密度 (BMD) 降低,这对老年人来说是一个重大的健康问题,增加骨折风险.
- 目前的临床实践并不经常测量BMD,强调需要有效的风险预测工具.
- 这项研究通过开发用于骨质疏松风险预测的机器学习 (ML) 模型来解决这一差距.
研究的目的:
- 开发一个强大的机器学习 (ML) 模型,用于预测40岁以上成年人骨质疏松风险.
- 评估预测的骨质疏松风险与实际骨折发生率在单独的队列中的关联.
主要方法:
- 利用安山/安队列中8,842名参与者的109个变量 (人口统计,人体测量,生物化学,遗传,生活方式) 来开发ML模型.
- 纳入来自全基因组关联研究的多基因风险评分 (PRS),以考虑遗传倾向.
- 根据骨或半径T分数 (< -2.5) 确定骨质疏松症,并随机将队列分为训练 (n=7,074) 和测试 (n=1,768) 组.
主要成果:
- 在XGBoost模型中,通过使用15个特征来预测骨质疏松风险,实现了0.86的高曲线下面面积 (AUC).
- 关键的预测特征包括遗传因素,性别,生殖史,年龄,居住地,教育,测量季节,身高,吸烟,激素治疗,血清白蛋白,部周长,维生素B6摄入量和体重.
- 应用到健康检查者 (HEXA) 队列显示,预测风险和骨折发生率之间存在显著的,尽管很弱的相关性 (r=0.173).
结论:
- 基于XGBoost的预测模型在估计骨质疏松风险方面表现出有效性.
- 鉴定的生物标志物和风险因素可以为骨质疏松症提供增强的预防,检测和早期治疗干预措施,特别是在亚洲人群中.
