预测随后的脆弱性骨折:机器学习的应用

科学领域:

• 医学研究 医学研究
• 骨质疏松症的研究研究.
• 机器学习在医疗保健中的应用

背景情况:

• 机器学习 (ML) 在医学研究中表现有前途,但其用于预测随后的脆弱性骨折的应用尚未得到充分探索.
• 骨质疏松性脆弱性骨折对健康造成重大负担,需要改进预测工具.
• 识别患有二次骨折高风险的个体对于有效干预至关重要.

研究的目的:

• 为了评估各种ML算法的预测性性能,用于随后的脆弱性骨折.
• 确定与骨质疏松患者随后骨折风险相关的关键临床和生化特征.
• 评估ML在改善骨折预防临床决策方面的潜力.

主要方法:

• 追溯分析905名指数和195名随后的脆弱性骨折患者.
• 训练和评估八个ML算法 (随机森林,XGBoost,CatBoost,后勤回归,LightGBM,AdaBoost,MLP,SVM) 使用27个功能.
• 使用十倍交叉验证来评估模型性能.

主要成果:

• CatBoost模型显示出优异的预测准确性:87%的AUC为女性0.951,男性为93.4%的AUC为0.990.
• 女性的关键预测因素包括年龄,CRP,25(OH) D,肌,BUN,PTH,股骨部Z-score,更年期年龄,怀孕,,和BMI.
• 男性的显著预测因素包括CRP,大腿T分数,PTH,T分数,BMI,BUN,肌素,性酸酶和脊柱Z分数.

结论:

• 机器学习,特别是CatBoost模型,有效地预测了骨质疏松患者随后的脆弱性骨折.
• 这些模型可以显著帮助骨质疏松症管理的临床决策.
• 这些发现支持制定个性化的预防策略,以减少骨折复发.