一项横截面研究,比较机器学习和后勤回归技术,用于预测老年人中患心血管疾病高风险组的骨质疏松症

科学领域:

• 老年学与公共卫生
• 生物统计学和预测建模

背景情况:

• 骨质疏松症对公众健康构成重大挑战,需要准确的风险评估技术.
• 传统的逻辑回归被广泛使用,但机器学习模型提供了提高预测准确性的潜力.
• 在高风险心血管疾病群体中对骨质疏松风险因素和预测模型的研究是有限的.

研究的目的:

• 用四种机器学习模型 (决策树,随机森林,支持向量机器,XGBoost) 对骨质疏松症进行逻辑回归的预测性能比较.
• 在患有心血管疾病的老年人中确定骨质疏松症的关键风险因素.
• 开发一个有效的骨质疏松风险预测模型,用于针对这一特定人群的预防策略.

主要方法:

• 一项涉及211名符合纳入标准的心血管患者的横截面研究.
• 使用后勤回归和四种机器学习算法开发和比较预测模型.
• 使用校准和歧视指标评估模型性能,包括曲线下的面积 (AUC) 和障碍得分.

主要成果:

• 后勤回归实现了最高的AUC (0.751),超过了SVM (0.72),随机森林 (0.70),XGBoost (0.697) 和决策树 (0.69).
• 通过逻辑回归确定了骨质疏松症的9个显著预测因素:年龄,性别,葡萄糖,甘油三,骨折史,中风史,副本数变化 (nssv659422),以及低盐摄入量.
• 后勤回归模型表现出良好的校准 (布赖尔得分为0.199) 和高的内部验证可重复性.

结论:

• 后勤回归证明在这个队列中优于测试的机器学习技术来预测骨质疏松症.
• 开发了一个新的骨质疏松风险预测模型,整合了遗传和环境因素.
• 该模型是评估骨质疏松风险和指导老年心血管患者专业干预的有效工具.