通过机器学习建模在绝经后患有骨质疏松的女性骨质疏松的脊椎压缩骨折的风险预测
Xiao Sun1, Pengrui Jing1, Yuqing Yang2
1Department of Orthopaedics, The First Affiliated Hospital of Soochow University, Suzhou, China.
Frontiers in medicine
|September 29, 2025
概括
这项研究确定了低骨密度,炎症和肉症是绝经后妇女骨质疏松性脊椎压缩骨折 (OVCF) 的关键风险. 一个机器学习模型准确预测OVCF风险,从而实现个性化的预防策略.
科学领域:
- 老年学是一门学科.
- 整形外科 整形外科 整形外科
- 生物医学工程 生物医学工程
背景情况:
- 绝经后的骨质疏松症导致骨质流失和骨质疏松性脊椎压缩骨折 (OVCF) 的风险增加.
- 目前的OVCF风险预测模型在这个人口群体中是不够的.
研究的目的:
- 在绝经后的骨质疏松妇女中确定OVCF的关键风险因素.
- 使用综合的临床,生物和肌肉骨数据开发用于OVCF风险预测的机器学习模型.
主要方法:
- 对486名患有骨质疏松症的绝经后妇女进行了回顾性病例对照研究.
- 后勤回归分析以确定OVCF的独立风险因素.
- 使用机器学习算法构建风险预测模型.
主要成果:
- 低骨矿物质密度 (BMD),慢性炎症和肉症被确定为OVCF的独立风险因素.
- 一个平衡包装机器学习模型实现了98.98%的准确性,98.24%的灵敏度和100.00%的特异性.
- 该模型提供个性化的OVCF风险概率,并支持动态重新评分.
结论:
- 在绝经后的妇女中,OVCF的发展与骨代谢,炎症和肌肉健康有关.
- 开发的机器学习模型为个性化OVCF风险预测提供了可靠的工具.
- 需要进一步的前性研究来验证发现并增强预测能力.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
7.4K
06:59Author Spotlight: An Economic and Efficient Method for Quantitative Evaluation of Bone Microarchitecture in a Murine Osteoporosis Model
Published on: September 8, 2023
3.4K
