机器学习对健康检查数据的应用,用于预测骨矿物质密度的下降
Bohan Li1, Dongjin Wu2, Xiaoqian Kong1
1Health Management Center, The Second Hospital of Shandong University Jinan 250033, Shandong, P. R. China.
International journal of clinical and experimental pathology
|November 17, 2025
概括
机器学习模型准确地预测骨密度下降,有助于早期预防骨质疏松症. 随机森林模型在识别有风险的患者方面表现出卓越的表现,改善了生活质量.
科学领域:
- 计算医学是一种计算医学.
- 生物医学数据科学是生物医学数据科学.
- 骨质疏松症的研究研究.
背景情况:
- 骨密度下降带来了严重的健康风险和经济负担.
- 早期识别和预防策略对于患者的福祉至关重要.
- 开发精确的骨矿物密度损失预测工具是医疗保健的一个关键目标.
研究的目的:
- 开发和评估用于预测骨矿物质密度损失的机器学习算法.
- 为了比较五种不同的机器学习模型在预测骨质疏松风险方面的有效性.
- 为了确定骨健康评估中临床应用最准确的模型.
主要方法:
- 利用了来自11,132名40岁以上 (2022-2024) 个人的健康检查数据.
- 应用了五种机器学习算法:k-最近邻居 (KNN),随机森林 (RF),支持矢量机 (SVM),人工神经网络 (ANN) 和后勤回归 (LR).
- 使用准确度,灵敏度,特异性和接收器操作特征曲线 (AUROC) 下的面积来评估模型性能.
主要成果:
- 随机森林 (RF) 模型获得了最高的AUROC得分 (男性为0.918,女性为0.922).
- 射频也表现出最高的准确性 (男性为0.88,女性为0.85).
- 人工神经网络 (ANN) 和支持矢量机 (SVM) 也显示出强大的预测能力.
结论:
- 机器学习,特别是射频模型,提供了一个精确的方法来预测骨密度减少.
- 这些预测模型可以增强骨质疏松症的预防,鉴定和早期干预.
- 这些算法的临床实施可以显著改善患者的治疗结果,并降低医疗保健成本.
