机器学习模型的开发,用于预测2型糖尿病患者的骨质疏松症-一项初步研究
Xuelun Wu1, Furui Zhai2, Ailing Chang1
1Department of Endocrinology, Cangzhou Central Hospital, Cangzhou City, Hebei Province, People's Republic of China.
概括
机器学习模型现在可以预测2型糖尿病患者的骨质疏松症. 这项研究确定了关键的风险因素和不同的风险群体,有助于早期查这种情况.
科学领域:
- 内分泌学和新陈代谢学
- 生物医学数据科学 生物医学数据科学
- 骨质疏松症研究 骨质疏松症研究
背景情况:
- 使用骨矿物密度 (BMD) 诊断2型糖尿病 (T2DM) 患者的骨质疏松症具有挑战性.
- 需要有效的查工具来识别患有骨质疏松症高风险的T2DM患者.
研究的目的:
- 开发和验证机器学习 (ML) 预测模型,用于对T2DM患者的骨质疏松症查.
- 在T2DM人群中识别骨质疏松症的显著风险因素和独特的患者亚群.
主要方法:
- 利用了433名T2DM参与者的人口和临床数据.
- 应用了9个ML算法,包括XGBoost,并使用ROC-AUC,精度,灵敏度,特异性和精度回忆曲线评估模型.
- 采用5倍交叉验证,Shapley添加式解释 (SHAP) 来确定特征意义,以及潜伏类分析 (LCA) 来确定子群.
主要成果:
- XGBoost模型显示出强大的预测性能 (AUROC: 0.940培训, 0.772验证, 0.872测试).
- 在这个队列中,OH) D (维生素D) 被确定为骨质疏松症的最重要危险因素.
- LCA确定了三个不同的亚群体,具有不同的骨质疏松风险水平 (高,中,低).
结论:
- 开发了一种临床有效的ML模型,用于在T2DM患者中准确预测骨质疏松症.
- 确定了不同的风险概况和关键预测因素,使得有针对性的查策略成为可能.
- 由于样本规模有限,建议在较大的队列中进一步验证.
