基于拉索特征选择和机器学习的糖尿病患者骨折风险预测

科学领域:

• 内分泌学和新陈代谢学
• 骨科和骨健康 骨科和骨健康
• 生物医学数据科学 生物医学数据科学

背景情况:

• 糖尿病会显著增加骨折风险,因为它会对骨密度,质量和结构产生负面影响.
• 糖尿病的全球流行率不断上升,需要对受影响个体进行准确的骨折风险预测.
• 了解糖尿病和骨脆弱之间的相互作用对于临床管理至关重要.

研究的目的:

• 确定影响糖尿病患者骨折风险的关键因素.
• 开发和评估糖尿病人群中骨折风险的预测模型.
• 评估机器学习方法在临床挑战中的有效性.

主要方法:

• 用拉索回归来选择重要的特征,确定24个关键因素.
• 通过使用网格搜索和5倍交叉验证,训练和调整了8个分类算法 (KNN,天真贝叶斯,决策树,随机森林,AdaBoost,XGBoost,MLP,SVM).
• 基于预测准确性的评估模型性能.

主要成果:

• 随机森林模型,利用拉索选择的特征,实现了最高的预测准确率93.87%.
• 对比分析证实了拉索选择特征在骨折风险预测中的关键作用.
• 功能重要性分析确定了糖尿病患者早期骨折风险的特定指标.

结论:

• 机器学习,特别是随机森林与拉索特征选择,提供了一个非常准确的方法来预测糖尿病患者的骨折风险.
• 鉴定到的重要特征为早期检测和干预策略提供了有价值的见解.
• 这种方法解决了在日益增长的糖尿病人群中改善骨折风险评估的临床需求.