机器学习用于识别骨质疏松症患者的风险因素和预测心血管死亡率

科学领域:

• 心脏病学 心脏病学
• 老年学是一门学科.
• 生物医学工程 生物医学工程

背景情况:

• 临床决策越来越依赖于风险预测工具.
• 现有的模型往往缺乏针对目标患者群体的特异性,例如骨质疏松症患者.
• 骨质疏松症患者面临心血管死亡风险较高.

研究的目的:

• 开发和验证专门针对骨质疏松症患者的心血管死亡风险预测模型.
• 将机器学习 (ML) 模型的性能与已建立的基于专家的模型进行比较.
• 为了确定这一群体中心血管死亡的关键数据驱动的风险因素.

主要方法:

• 基于ML的心血管死亡风险预测模型的开发和内部验证.
• 将ML模型与现有的基于专家的工具进行比较.
• 基于风险因素识别,歧视和校准的模型评估.

主要成果:

• 与骨质疏松症患者现有的心血管死亡风险预测工具相比,机器学习模型显示出更高的性能.
• 开发的模型确定了重要,数据驱动的心血管死亡风险因素.
• ML模型显示了针对目标人群的更好的歧视和校准.

结论:

• 定制的机器学习模型为患有骨质疏松症的人提供了更好的心血管死亡风险预测.
• 这些模型为这个患者群体内的特定风险因素提供了有价值的见解.
• 建议对拟议的模型进行外部验证,以获得更广泛的临床应用.