使用NHANES数据开发和评估可解释的机器学习回归器,用于预测老年男性的股骨部骨矿物质密度,使用NHANES数据

科学领域:

• 整形外科 整形外科 整形外科
• 老年学是一门学科.
• 数据科学数据科学数据科学

背景情况:

• 骨质疏松性股骨部骨折 (OFNFs) 是老年人的主要健康问题,导致严重的发病率和死亡率.
• 目前的骨质疏松症查往往忽略了50岁及以上的男性,这是易受OFNFs影响的人口群体.

研究的目的:

• 开发一种易于使用的预测模型,用于估计50岁及以上男性的股骨部骨矿物质密度 (FNBMD).
• 为了促进骨质疏松症的早期检测,并可能减少OFNF在这个未经查的人群中的发病率.

主要方法:

• 利用国家健康和营养检查调查 (NHANES) 数据,采用K-最近邻居 (KNN) 归算和LASSO/Boruta等技术来进行特征选择.
• 训练和评估了八个机器学习算法,随机森林回归器 (RFR) 显示出最佳性能.
• 采用沙普利增量解释 (SHAP) 来解释模型的可解释性.

主要成果:

• RFR模型实现了0.218的确定系数 (R2),确定了年龄,BMI,PIR,血清和种族作为FNBMD的关键预测因素.
• 这款车型表现出了强性,即使在比赛被排除在外,性能仍然很高.
• SHAP分析提供了对个体特征对预测FNBMD的影响的见解.

结论:

• 开发的预测模型为50岁及以上男性早期发现骨质疏松症提供了有效的方法.
• 这种工具有可能帮助临床医生识别有风险的个体,从而减轻骨质疏松性股骨部骨折的负担.