基于机器学习的骨质疏松风险预测模型的开发及其在临床决策支持中的应用
Zichen Shao1, Jianfeng Wu2, Qinqin Deng1
1Jiangxi University of Chinese Medicine, Nanchang, Jiangxi, China.
Frontiers in medicine
|December 1, 2025
概括
这项研究开发了一种可解释的机器学习模型,利用年龄,BMI和血液标记等关键因素来预测骨质疏松风险. 为个性化风险评估和早期骨质疏松症查创建了一个用户友好的网络工具.
科学领域:
- 生物医学信息学是生物医学信息学.
- 机器学习在医疗保健中的应用
- 骨质疏松症的研究研究.
背景情况:
- 骨质疏松症 (OP) 构成了重大的公共卫生挑战,需要改进早期检测方法.
- 目前的查方法可能会从使用临床数据的先进预测建模中受益.
研究的目的:
- 开发一种可解释的机器学习模型,用于预测骨质疏松风险.
- 创建一个基于网络的可视化工具,以帮助骨质疏松症评估中的临床决策.
主要方法:
- 利用了来自5328个人的数据,包括人口统计,人体统计,骨密度和生物化学标记.
- 使用LASSO回归进行变量选择,并比较了五种机器学习算法 (决策树,随机森林,XGBoost,CatBoost,MLP).
- 应用了SHapley添加式解释 (SHAP) 来实现模型的可解释性,并根据最佳模型开发了一个基于Web的工具.
主要成果:
- 确定了年龄,性别,BMI,尿酸 (UA) 和性酸酶 (ALP) 作为关键预测因素.
- 随机森林模型实现了最高的AUC (0.759),表明中等的歧视性表现.
- SHAP分析强调BMI是最有影响力的因素;年龄增加,女性性别,ALP升高和UA降低与骨质疏松症风险更高相关.
结论:
- 开发的模型为早期骨质疏松症查提供了定量风险估计和可解释的见解.
- 基于网络的工具提供个性化的风险预测和可视化,支持临床决策.
- 建议在不同人群中进行进一步的外部验证,以提高模型的性能和适用性.
