在卡塔尔生物银行的参与者使用机器学习模型来表征低股骨部 BMD
Nedhal Al-Husaini1, Rozaimi Razali1, Amal Al-Haidose1
1Department of Biomedical Sciences, College of Health Sciences, QU-Health, Qatar University, Doha, 2713, Qatar.
BMC musculoskeletal disorders
|May 17, 2025
概括
机器学习使用人口和实验室数据准确预测低骨矿物质密度 (BMD). 这种方法可以减少在骨折风险评估中对成像的需求.
科学领域:
- 生物医学研究的研究.
- 机器学习在卫生中的应用.
背景情况:
- 识别低骨矿物质密度 (BMD) 的决定因素对于了解其病理生物学至关重要.
- 有效的预防和管理策略依赖于了解骨损伤的决定因素.
- 机器学习 (ML) 提供了一种新的方法来预测低BMD.
研究的目的:
- 应用ML算法来预测低股骨部BMD.
- 用标准的人口和实验室参数进行预测.
- 确定与低BMD相关的关键特征.
主要方法:
- 利用了卡塔尔生物银行的4829名健康个体的数据.
- 将队列分为60%的培训和40%的验证.
- 使用后勤回归和计算曲线下的面积 (AUC) 来评估模型性能.
主要成果:
- 达到86.4% (培训) 和85.9% (验证) 的AUC,准确度高.
- 确定性别,BMI,年龄,肌素,性酸酶,总胆固醇和作为信息特征.
- 确定了与 BMD 的逆相关性:年龄,性酸酶,总胆固醇和;与 BMI 和肌素的积极相关性.
结论:
- 证明了生物决定因素对BMD的显著全球影响.
- 开发了一种概念验证的ML模型,用于使用标准变量预测低BMD.
- 拟议的ML模型可能会减少对BMD评估和骨折风险预测的成像的依赖.
