使用电子健康记录开发和验证可解释的机器学习模型,用于女性关节骨质疏松症
Wanlin Jin1, Lulu Xu2, Chun Yue2
1Health Management Center, National Clinical Research Center for Metabolic Diseases, Hunan Provincial Clinical Medicine Research Center for Intelligent Management of Chronic Disease, Hunan Provincial Key Laboratory of Metabolic Bone Diseases, Department of Metabolism and Endocrinology, The Second Xiangya Hospital of Central South University, Changsha, Hunan, China; Department of General Medicine, The Second Xiangya Hospital of Central South University, Changsha, Hunan, China.
International journal of medical informatics
|March 25, 2025
概括
这项研究开发了一个AI模型,使用电子健康记录来预测没有骨密度扫描的女性的骨质疏松症. XGBoost模型显示高精度,有助于预防关节骨折的早期干预.
科学领域:
- 老年学是指老年学的学科.
- 医疗信息学 医疗信息学
- 生物统计学 生物统计学
背景情况:
- 老年人骨折与严重的流动性问题,增加发病率,死亡率和医疗保健费用有关.
- 骨质疏松症约占老年人部骨折的90%,强调了早期查和干预的必要性.
- 双能X射线吸收度 (DXA) 的有限可用性需要替代性关节骨质疏松症预测模型,这些模型不依赖骨矿物密度 (BMD) 数据.
研究的目的:
- 开发和验证用于识别女性关节骨质疏松症的预测模型.
- 为了利用电子健康记录 (EHR) 数据,不包括BMD测量,用于骨质疏松症的预测.
- 评估机器学习模型在预测骨质疏松风险方面的表现.
主要方法:
- 对8039名女性 (2013年9月 - 2023年11月) 匿名电子健康记录的回顾性分析.
- 使用Boruta,LASSO,varSelRF和RFE算法进行特征选择,以识别关键预测因素.
- 训练和优化八个机器学习模型,包括XGBoost,使用NHANES数据进行5倍交叉验证和外部验证.
主要成果:
- 确定了关键预测因素:静脉血压,红细胞计数,葡萄糖血红蛋白,阿兰氨酸转移酶,阿斯巴酸转移酶,尿酸,年龄和体重指数.
- XGBoost模型在测试数据集中实现了0.805的曲线下面面积 (AUC),在外部验证数据集中达到0.811.
- 该模型显示中度灵敏度 (0.706在测试中,0.775在验证中) 识别骨质疏松症.
结论:
- XGBoost模型有效地使用易于获得的EHR数据识别患有骨质疏松症高风险的女性,优于传统的后勤回归和OSTA模型.
- 这种人工智能驱动的方法为骨质疏松症查提供了可行的替代方案,特别是当DXA无法获得时.
- 该模型的高性能表明它有可能被整合到常规的临床工作流程中,用于早期发现和干预骨质疏松症.
