骨质疏松症:使用NHANES数据和机器学习方法预测骨质疏松症风险

科学领域:

• 老年学是一门学科.
• 生物医学信息学 生物医学信息学
• 公共卫生 公共卫生

背景情况:

• 骨质疏松症是老年人常见的疾病,由于骨矿物质密度 (BMD) 测试的限制,经常被晚诊断.
• 早期发现骨质疏松症对于及时干预和管理至关重要,以预防骨折和改善生活质量.

研究的目的:

• 开发和验证用于骨质疏松症识别的机器学习 (ML) 方法.
• 整合人口统计,实验室和问卷数据,以提供更有效的查工具.

主要方法:

• 利用了来自国家健康和营养检查调查 (NHANES) 的数据,其中有8766名参与者和223个变量.
• 采用了特征选择技术 (最小冗余最大相关性,SelectKBest) 并应用了四个ML算法 (RF,NN,LightGBM,XGBoost).
• 使用SMOTE平衡数据,使用F1分数和AUC评估模型性能.

主要成果:

• 在测试组中,LightGBM模型获得了最高的性能,F1得分为0.912和AUC为0.972.
• 确定骨质疏松症的关键预测因素是身高,年龄和性别.
• 这些模型在区分患有骨质疏松症和没有骨质疏松症的个体方面表现出强大的潜力.

结论:

• 机器学习模型,特别是LightGBM,在早期发现骨质疏松症和个性化预防方面表现有前途.
• 身高,年龄和性别是重要的预测因素,为临床风险评估提供了宝贵的见解.
• 这种ML方法为骨质疏松症查提供了传统的BMD测试的实用和有效的替代方案或补充.