使用机器学习提高骨质疏松风险预测:整体方法整合生物标志物和临床数据

科学领域:

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

背景情况:

• 骨质疏松症 (OP) 影响全球18%的人口,每年导致数百万骨折.
• 双能X射线吸收计 (DXA) 是诊断标准,但其可用性有限,涉及辐射暴露.
• 需要可访问的替代查方法来评估骨质疏松症风险.

研究的目的:

• 开发和验证用于预测骨质疏松风险的机器学习模型.
• 利用常规收集的临床数据,不包括DXA测量,以实现广泛的可访问性.
• 为了确定骨质疏松症的关键临床预测因素.

主要方法:

• 使用渐变增强,随机森林,XGBoost和LightGBM分类器与后勤回归开发了一个堆叠集团机器学习模型.
• 分析了来自2007-2014年NHANES周期的7924名参与者 (50岁以上) 的数据.
• 骨质疏松症病例是使用世卫组织标准 (T-score ≤ -2.5) 和人体风险因素来确定的.

主要成果:

• 该模型实现了93%的准确性和0.94的AUC,具有强大的交叉验证性能 (平均得分:0.929±0.030).
• 关键预测因素包括年龄,手臂肌肉周长,体重,性别,BMI和摄入量.
• 其他发现的重要因素包括叶酸,身高,手握强度和性酸酶.

结论:

• 开发的机器学习模型在使用随时可用的临床数据预测骨质疏松风险方面表现出高准确性.
• 这种方法提供了一个实用的和可访问的选工具,特别是在资源有限的环境中,DXA是不可用的.
• 这些发现支持在不同的医疗保健环境中加强早期骨质疏松症检测和风险分层.