在45岁及以上人口中构建基于机器学习的骨关节炎风险预测模型:NHANES 2011-2018年
Yun Fu1, Yaming Yu2, Weichao Chen3
1Chengdu Sport University, No. 1942, Huanhu North Road, Eastern New District, Chengdu, Sichuan, China. 1424511636@qq.com.
Scientific reports
|April 24, 2025
概括
这项研究开发了一种最佳的机器学习模型,用于预测45岁以上成年人骨关节炎风险. 使用年龄和BMI等关键因素的CatBoost模型实现了高精度,有助于早期干预.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 公共卫生研究 公共卫生研究
背景情况:
- 骨关节炎 (OA) 是一种常见的慢性关节疾病,影响45岁以上的人,造成严重的疼痛和残疾.
- 由于OA的患病率越来越高,需要先进的方法来预测和管理早期的风险.
研究的目的:
- 开发和优化机器学习模型,用于预测45岁及以上成年人骨关节炎风险.
- 使用可解释的人工智能技术识别骨关节炎的关键预测特征.
主要方法:
- 利用了来自2980名参与者的国家健康和营养检查调查 (NHANES) 数据 (2011-2018).
- 应用了五种机器学习算法,包括CatBoost,并使用递归特征消除 (RFE) 来进行特征选择.
- 解释模型预测使用夏普利添加式扩展 (SHAP) 方法来识别显著的风险因素.
主要成果:
- 使用20个选定的特征,CatBoost模型实现了0.8109的曲线下面积 (AUC) 和0.7315.5的精度.
- 确定了关键的骨关节炎预测因素,如性别,年龄,体重指数 (BMI),腰围和种族.
- 该模型在预测骨关节炎发生方面表现出显著的效率.
结论:
- 开发的CatBoost模型具有20个特征,可以有效预测目标人群中的骨关节炎风险.
- 这种预测模型可以支持早期干预,并增强患者管理策略,以改善结果.
- 进一步的研究应该集中在不同人群中的模型验证和潜在的临床实施上.
