诊断骨质疏松风险:在Fasa成年人队列研究 (FACS) 中使用机器学习算法

科学领域:

• 医疗信息学 医疗信息学
• 计算医学是一种计算医学.
• 公共卫生 公共卫生

背景情况:

• 鉴于伊朗的骨质疏松症诊断面临着挑战,原因是高成本和对双能X射线吸收仪的有限访问,特别是在农村地区.
• 开发可访问和准确的诊断工具对于早期发现和治疗骨质疏松症至关重要.

研究的目的:

• 评估各种机器学习 (ML) 技术的准确性和精度,以诊断骨质疏松风险.
• 确定最有效的ML模型用于伊朗人口骨质疏松风险评估.

主要方法:

• 从Fasa成年人队列研究数据中分析骨质疏松症风险因素.
• 八种ML方法的应用和比较:逻辑回归 (LR),基线LR,决策树 (DT),支向量分类器 (SVC),随机森林 (RF),线性差异分析 (LDA),K最近邻 (KNN) 和极端梯度增强 (XGB).
• 评估指标包括准确度,精度,灵敏度,特异性,F1得分和曲线下面积 (AUC).

主要成果:

• 极端梯度增强 (XGB) 模型以0.78的AUC和0.79.7的精度实现了最高的性能.
• 其他模型的性能各不相同,随机森林 (RF) 和物流回归 (LR) 也显示出强的结果.
• 在精度和AUC方面,XGB的表现优于SVC,KNN和基线LR.

结论:

• 在评估伊朗人口骨质疏松风险方面,XGB模型是最有效的.
• 机器学习算法为传统诊断工具提供了可行的,具有成本效益的替代方案,有可能减少发病率,死亡率和医疗保健成本.
• 实施用于早期发现骨质疏松症的ML支持向预防性医疗保健政策的转变.