一种可解释的基于机器学习的预测模型,用于膝关节骨关节炎的中国老年人身上

科学领域:

• 老年学是一门学科.
• 肌肉骨健康 肌肉骨健康
• 生物统计学 生物统计学

背景情况:

• 肉症是一种与年龄相关的肌肉疾病,导致功能显著下降和死亡率增加.
• 膝关节骨关节炎 (KOA) 是老年人患的一种常见的退行性关节疾病,通常与肉症同时发生.
• 在KOA患者中早期识别肉类症风险对于及时干预和改善健康结果至关重要.

研究的目的:

• 开发和验证一种可解释的预测模型,用于对患有症状膝关节骨关节炎的老年人进行沙尔科佩尼亚风险的预测.
• 为了确定与这种人群中肉症风险相关的关键临床和人口统计因素.
• 为了促进早期查和对KOA患者的肉类的风险评估.

主要方法:

• 利用了来自中国健康与退休长度研究 (CHARLS) 的数据,对65岁以上有症状的KOA患者的95个变量进行了分析.
• 采用LASSO和逻辑回归来选择特征,然后使用八种机器学习算法来构建模型.
• 使用内部交叉验证和独立测试集的验证模型,以及用于解释性的SHAP分析和用于临床的Web应用程序.

主要成果:

• 鉴定了六个有关缩症风险的重要预测因素:体重指数,上臂长度,婚姻状况,总胆固醇,囊素C和肩膀疼痛.
• 在独立测试组中,CatBoost模型表现出高精度 (0.8902),F1得分 (0.8627) 和AUC (0.9697) 的卓越性能.
• 该模型显示出强大的概括能力,预测的概率与实际发生率密切匹配,表明可靠性.

结论:

• 使用公共卫生和老龄化视角的常规临床数据开发了一种可解释的肉症风险预测模型.
• 该模型适用于早期查和评估症状的KOA患者的萨尔科佩尼亚风险.
• 这种工具可以帮助卫生部门和临床医生在早期检测和后续,提高老年人的生活质量和健康结果.