开发和评估一种用于预测韩国女性骨质疏松症风险的机器学习模型
Minkyung Je1, Seunghyeon Hwang2, Suwon Lee3
1Department of Food and Nutrition, Gyeongsang National University, Jinju, 52828, Republic of Korea.
BMC women's health
|March 29, 2025
概括
机器学习,特别是XGBoost模型,有效地对韩国女性的骨质疏松症进行了分类. 更年期的年龄是主要的危险因素,其次是关节炎和体力活动水平.
科学领域:
- 骨质疏松症的研究研究.
- 机器学习在医疗保健中的应用.
- 人口健康研究 人口健康研究
背景情况:
- 开发准确的骨质疏松症分类模型对于韩国妇女的早期干预至关重要.
- 现有的选工具需要与先进的计算方法进行比较.
- 识别关键风险因素对于有针对性的预防策略至关重要.
研究的目的:
- 开发和评估用于韩国妇女骨质疏松症分类的机器学习 (ML) 模型.
- 将ML模型的性能与传统的骨质疏松症查工具进行比较.
- 通过变量重要性分析来确定影响骨质疏松症的重大风险因素.
主要方法:
- 利用了来自安山和安队列的4199名韩国女性 (40-69岁) 的数据.
- 开发了六个ML分类模型 (决策树,随机森林,MLP,SVM,LightGBM,XGBoost).
- 将ML模型与骨质疏松风险评估工具 (ORAI) 和骨质疏松自我评估工具 (OST) 进行比较,使用AUC和混矩阵指标.
主要成果:
- XGBoost模型表现出卓越的性能,精度为0.705,AUC高于ORAI和OST.
- 在122个变量中确定了69个重要的骨质疏松症风险因素.
- 更年期的年龄是最关键的因素,其次是关节炎,体力活动和高血压.
结论:
- 一个XGBoost模型是对韩国女性骨质疏松症分类的可行工具.
- 确定了骨质疏松症的主要可修改和不可修改的风险因素.
- 这些发现支持将先进的ML技术纳入骨质疏松症查和风险评估.
