开发和验证可解释的机器学习模型,用于使用常规血液检测预测骨质疏松症:一项回顾性队列研究

科学领域:

• 生物医学工程 生物医学工程
• 临床诊断 临床诊断 临床诊断
• 在医疗保健中的数据科学.

背景情况:

• 双能量X射线吸收计 (DXA) 是骨质疏松症诊断的标准,但面临成本和可访问性限制.
• 需要为早期发现骨质疏松症提供可访问和成本效益的方法.

研究的目的:

• 开发和验证骨质疏松症的预测模型,使用常规可用的血液生物标志物.
• 创建一个可访问的工具,用于早期骨质疏松症查和风险分层.

主要方法:

• 追溯分析了8144名骨科住院患者的人口统计数据和血液参数.
• 应用单变量分析,LASSO回归和Boruta算法来进行特征选择.
• 开发和评估十个监督机器学习模型,其中逻辑回归显示出卓越的性能 (AUC=0.800).

主要成果:

• 确定了11个关键预测因素,其中年龄,性别,尿酸,性酸酶,血红蛋白和中性粒细胞数量是最有影响力的.
• 后勤回归模型在测试队列中实现了0.800的AUC,证明了强大的校准和临床实用性.
• 开发并部署了一个可访问的基于Web的风险计算器.

结论:

• 开发了一个可解释的机器学习模型和一个易于使用的在线计算器,用于使用常规血液测试进行骨质疏松症初步查.
• 这种方法为改善骨质疏松症查和风险分层的传统方法提供了一个有希望的,可访问的替代方案.