使用机器学习方法评估绝经后妇女骨质疏松性骨折风险

科学领域:

• 老年学是指老年学的学科.
• 生物医学工程 生物医学工程
• 公共卫生 公共卫生

背景情况:

• 骨质疏松症的治疗旨在预防骨折.
• 机器学习 (ML) 可以识别骨质疏松性骨折的新风险因素.
• 准确的骨折风险预测对于绝经后妇女至关重要.

研究的目的:

• 开发和验证ML模型,用于预测绝经后妇女的骨质疏松性骨折.
• 为了确定骨折风险预测的关键变量.
• 为一般的绝经后妇女和患有骨质疏松症的妇女创建模型.

主要方法:

• 一项多中心研究利用两个独立的绝经后妇女队列 (HURH和Camargo).
• 在HURH队列中开发了ML模型,并在Camargo队列中进行了外部验证.
• 为了模型开发,研究了两个可变分组策略.

主要成果:

• ML模型显示出高预测能力:骨质疏松症妇女的AUC为0.92,一般绝经后妇女的AUC为0.88.
• 包括可访问的临床变量在内的模型显示出显著的预测能力.
• 之前的骨折史,DXA数据,维生素D和PTH水平被确定为关键预测因素.

结论:

• ML是识别高患骨质疏松性骨折风险的绝经后妇女的一个有价值的工具.
• 可访问的临床数据,包括先前的骨折和生化标志物,对于风险评估至关重要.
• 这些发现可以加强骨质疏松症管理中的临床决策.