机器学习算法的应用用于预测女性骨质疏松性骨折

科学领域:

• 老年学是一门学科.
• 生物统计学 生物统计学
• 医疗信息学 医疗信息学

背景情况:

• 骨质疏松性骨折对健康构成重大风险,需要准确预测有效的预防策略.
• 传统的骨折风险评估工具 (FRAX) 模型依赖于临床因素,但在预测准确性方面可能存在局限性.
• 这项研究调查了机器学习 (ML) 算法在提高骨质疏松性骨折风险预测方面的有效性.

研究的目的:

• 为了比较FRAX得分的预测性能与骨质疏松性骨折的各种ML算法.
• 评估在FRAX参数上训练的ML模型的实用性,以识别有风险的个体.
• 探索先进的计算方法,以改善女性骨折风险评估.

主要方法:

• 在10年的时间里,分析了安山队列研究中的2,147名女性参与者的数据.
• 使用的FRAX参数包括年龄,性别,人体测量,吸烟,酒精消费和类风湿性关节炎.
• 采用了ML算法 (梯度提升,随机森林,决策树,后勤回归) 以70:30的训练到测试分割.
• 使用接收器操作特征曲线 (AUROC) 下面的面积来评估模型性能.

主要成果:

• 共有3.5%的参与者患有骨质疏松性骨折 (部,脊柱或手腕).
• 骨折病例与年龄较大,身高较低,类风湿性关节炎和FRAX分数较高有关.
• 与FRAX得分相比,ML算法表现出优异的预测性能,AUROC值从0.637到0.662不等于FRAX的0.617.

结论:

• 机器学习算法在预测女性骨质疏松性骨折的传统FRAX得分方面取得了显著的改进.
• 这些发现强调了ML在改善临床决策和个性化骨折预防策略方面的潜力.
• 当完全的FRAX参数数据可能无法立即获得时,ML模型特别有价值.