预防性机器学习模型包括健康检查数据和头发矿物质分析,用于低骨质量识别

科学领域:

• 生物医学信息学 生物医学信息学
• 骨质疏松症研究 骨质疏松症研究
• 在医疗保健中的数据科学.

背景情况:

• 骨质疏松症越来越令人担忧,特别是在老年人群中.
• 机器学习 (ML) 模型越来越多地用于疾病预测.
• 头发矿物质分析在预测低骨质量 (LBM) 中的作用尚未得到充分研究.

研究的目的:

• 开发和评估用于预测LBM的ML模型.
• 研究将头发矿物质数据纳入LBM预测模型的实用性.
• 为了确定与LBM相关的关键头发矿物质特征.

主要方法:

• 利用了1206名绝经后妇女和820名男性 (≥50岁) 的健康检查数据和头发矿物质分析.
• 定义LBM为T-score低于-1在腰椎,大腿部或全部.
• 采用了极端梯度增强 (XGB),随机森林 (RF),梯度增强 (GB) 和自适应增强 (AdaBoost) 算法,列车测试分为80:20.

主要成果:

• 极端梯度增强 (XGB) 模型实现了0.744 (±0.021) 的接收器操作特征曲线 (AUROC) 下的最高面积.
• XGB模型的性能指标包括68.7%的准确度,80.7%的灵敏度,51.1%的特异性,70.9%的PPV,64.3%的NPV和0.754的F1得分.
• 由XGB确定的主要头发矿物质预测因素包括硫,,,铜,,和.

结论:

• 整合健康检查数据和头发矿物质分析的ML模型对于预测LBM具有重要意义.
• 头发矿物质分析为识别患有LBM风险的个体提供了宝贵的见解.
• 进一步的研究可以完善这些模型,用于早期LBM检测和干预.