通过混合机器学习模型预测老年骨质疏松症患者骨折风险
Menghan Liu1,2, Xin Wei1, Xiaodong Xing1
1Department of Clinical Pharmacy, Xinhua Hospital, Shanghai Jiaotong University School of Medicine, Shanghai, China.
Digital health
|May 27, 2024
概括
这项研究开发了一种混合机器学习模型,使用电子健康记录来预测骨质疏松性骨折. 该模型达到90%以上的准确性,识别了早期干预的关键风险因素.
科学领域:
- 老年学是指老年学的学科.
- 生物医学信息学 生物医学信息学
- 整形外科 整形外科 整形外科
背景情况:
- 骨质疏松性骨折导致严重的发病率和医疗保健费用.
- 电子健康记录 (EHR) 为预测建模提供了丰富的数据来源.
- 识别骨折风险对于及时干预和患者管理至关重要.
研究的目的:
- 开发和验证用于预测骨质疏松性骨折的机器学习模型.
- 确定与骨质疏松性骨折相关的关键临床风险因素.
- 利用EHR数据来改善患者风险分层.
主要方法:
- 利用了来自8530名骨质疏松症患者的EHR数据 (2012年7月至2017年10月).
- 开发了12个独立和3个混合机器学习模型.
- 采用全面的特征重要性评分来确定关键因素.
主要成果:
- 一种混合支持矢量机 (SVM) 和XGBoost模型实现了>90%的准确性和精度.
- 确定了血液中的,性酸酶 (ALP),C反应蛋白 (CRP),阿波利波蛋白A/B比率和HDL-C作为重要的危险因素.
- 在8530名患者中,1090名 (12.8%) 患有骨折.
结论:
- 混合ML模型为预测骨质疏松性骨折风险提供了可靠的工具.
- 早期识别高风险患者可以促进及时的临床干预.
- 这种方法支持骨质疏松症管理中的个性化医学.


