使用机器学习预测日本女运动员的低骨质量
概括
这项研究开发了一种使用问卷数据的分类器,以识别女性运动员的低骨质量. 关键因素,如异常持续时间和体育影响有助于预测骨密度,有助于预防伤害.
科学领域:
- 运动医学 运动医学
- 生物医学工程 生物医学工程
- 公共卫生 公共卫生
背景情况:
- 最佳的骨矿物质密度 (BMD) 对女性运动员的终身健康和预防骨折至关重要.
- 现有的骨损伤评估工具缺乏持续监测的实用性,或者不适合年轻的女运动员.
研究的目的:
- 开发一个二元分类器,以区分年轻女性运动员的正常和低骨质量.
- 使用从骨损伤评估问卷中提取的特征.
主要方法:
- 我们比较了五种机器学习模型:逻辑回归,决策树,随机森林,多层感知器和XGBoost.
- 用于模型验证的交叉验证和特征评估的变量重要性.
- 利用了来自213名女运动员的数据.
主要成果:
- XGBoost表现出最平衡的灵敏度 (0.93) 和特异性 (0.62),其AUC为0.73和准确度为0.68.
- 缺血症持续时间和体育影响是低骨质量的最重要的预测因素.
- 瘦身水平,训练频率和初潮时的年龄也显示出高特征重要性.
结论:
- 基于问卷的特征显示出评估女性运动员低BMD的前景.
- 开发的分类器可以帮助识别有低骨质量风险的运动员,从而促进早期干预.
- 这种方法提供了一种实用的方法来监测这个人口群体的骨健康.
