机器学习模型用于腰部疼痛检测和因素识别:来自6年全国调查的见解

科学领域:

• 生物医学信息学 生物医学信息学
• 公共卫生 公共卫生
• 流行病学 流行病学

背景情况:

• 腰部疼痛 (LBP) 是一个严重的健康问题,影响成年人,特别是50岁及以上的人.
• 现有的LBP预测模型往往缺乏全面的生物心理社会因素整合和解释性.
• 识别各种预测因素对于开发有效,个性化的LBP管理策略至关重要.

研究的目的:

• 提高用于检测LBP的机器学习模型的性能和可解释性.
• 确定新的预测因子,并了解老年人下腰痛多因素性质.
• 探索极度梯度增强 (XGBoost) 和夏普利增量扩张 (SHAP) 对LBP分析的实用性.

主要方法:

• 利用了一项大规模全国性调查数据集 (韩国国家健康和营养检查调查),对17,609名年龄≥50岁的成年人进行了调查.
• 开发了四种极端渐变增强 (XGBoost) 模型,结合了多达119个生物心理社会,生活方式和临床因素.
• 使用曲线下的面积 (AUC) 评估模型性能,并使用夏普利添加式扩展 (SHAP) 解释预测.

主要成果:

• 确定了11个LBP检测的主要因素 (PF),其中部和膝关节疼痛是最重要的预测因素.
• 在初级XGBoost模型中实现了0.80 (.77-.84) 的增强曲线下面面积 (AUC).
• 发现了体力活动的保护作用和omega-6摄入量与LBP的有害关联;确定了潜在的骨关节炎集群.

结论:

• 开发了强大的XGBoost模型来准确检测LBP,为贡献因素提供了有价值的见解.
• 强调了个性化评估的重要性,因为各个人的因素影响各不相同.
• 强调需要全面的LBP管理,特别是对于患有骨关节炎的女性,考虑到多因素的影响.