基于机器学习的临床前骨质疏松症查工具 (POST):模型开发和验证研究

科学领域:

• 老年学是一门学科.
• 医疗信息学 医疗信息学
• 公共卫生 公共卫生

背景情况:

• 骨质疏松症查是预防骨折的优先事项.
• 现有的工具往往缺乏具体性,导致潜在的过度诊断或遗漏病例.
• 开发精确,可访问的查方法对于有效的医疗保健至关重要.

研究的目的:

• 创建一个高性能,易于访问的骨质疏松症临床前风险查工具.
• 为了利用一个基于机器学习的方法,为香港的中国人口量身定制.
• 改善骨质疏松症的早期检测和干预.

主要方法:

• 开发和比较了机器学习模型 (梯度增强,SVM,天真贝叶斯,逻辑回归).
• 一个经过验证的调查问卷从800名参与者 (年龄≥45岁) 中收集了风险因素.
• 骨矿物质密度 (BMD) 测量了骨质疏松症;最好的模型形成了临床前骨质疏松症查工具 (POST).

主要成果:

• POST模型确定了7个关键预测因素:年龄,性别,教育,身高下降,BMI,牙脱落和维生素D摄入量.
• POST实现了曲线下的面积 (AUC) 为0.86.
• POST显示了高灵敏度 (0.83),特异性 (0.83),以及负预测值 (0.98).

结论:

• 基于机器学习的POST是一种方便且准确的骨质疏松症预测工具.
• POST显示了指导基于人口的临床前查的潜力.
• 该工具可以协助骨质疏松症管理的临床决策.