通过机器学习来预测患有 osteogenesis imperfecta 的个体的身高
Hongjiang Yang1, Wenbiao Zhu1, Bo Li1
1Department of Orthopedics, International Science and Technology Cooperation Base of Spinal Cord Injury, Tianjin Key Laboratory of Spine and Spinal Cord Injury, Tianjin Medical University General Hospital, Tianjin, China.
Orphanet journal of rare diseases
|November 10, 2024
概括
机器学习模型通过分析生长模式,准确地预测骨质发育不完美 (OI) 的身高. 关键因素包括性别,年龄,OI类型,体重和骨密度,使OI患者能够进行个性化监测和治疗.
科学领域:
- 遗传学和发育生物学
- 生物医学工程 生物医学工程
- 儿科内分泌学 儿科内分泌学
背景情况:
- 骨质发生不完善 (Osteogenesis Imperfecta,简称OI) 是一种遗传性疾病,导致骨脆,身高矮,对生长模式的理解有限.
- 准确的高度预测对于有效的OI管理和个性化干预至关重要.
研究的目的:
- 描述不同类型的骨质形成不完善 (OI) 个体的生长模式.
- 开发和评估机器学习 (ML) 模型,用于预测OI患者的身高.
主要方法:
- 分析了来自323名OI参与者的横截面数据,根据性别和OI类型绘制高度曲线.
- 特征选择确定了重要的预测因素:性别,年龄,沉默类型,体重Z-score和aBMD Z-score.
- 构建和评估了包括梯度提升 (GB) 和随机森林 (RF) 在内的多个ML模型,以确定高度预测的准确性.
主要成果:
- 从14岁起,男女之间以及OI类型 (III比I和IV短,IV比I短) 之间观察到显著的身高差异.
- 性别,年龄,Sillence类型,体重Z-score和aBMD Z-score被证实是关键身高预测因素.
- 渐变增强 (GB) 获得了最高的准确性 (92.59%) 和R2 (0.828),其次是集成机器学习 (EML),随机森林 (RF) 和深度神经网络 (DNN).
结论:
- 详细的高度模式和验证的预测因素为评估OI的增长提供了关键的见解.
- 准确的高度预测模型 (GB,RF,EML,DNNs) 支持对OI的及时监测和个性化干预计划.
- 这项研究使监护人和医生有能力使用工具来更好地管理 osteogenesis Imperfecta.
