开发和验证用于预测帕金森病患者骨质疏松症的机器学习模型

科学领域:

• 神经学 神经学
• 生物医学信息学 生物医学信息学
• 老年病的医生 老年病的医生

背景情况:

• 骨质疏松症是帕金森病 (PD) 的一个重大问题,增加骨折风险.
• 在PD患者中精确预测骨质疏松症对于及时干预至关重要.
• 现有的风险评估工具可能无法完全捕捉PD的复杂性.

研究的目的:

• 开发和外部验证用于预测帕金森病患者骨质疏松症的机器学习 (ML) 模型.
• 用例行收集的临床和与治疗相关的变量用于模型开发.
• 在不同的队列中评估ML模型的性能和临床实用性.

主要方法:

• 组建了一个3935名PD患者的多中心回顾队列,其中907名 (23.1%) 被诊断为骨质疏松症.
• 九个ML分类器被训练使用预测因素,包括人口统计,生活方式,并发症,PD严重程度和药物.
• 模型性能使用AUC,校准图和决策曲线分析进行评估,并使用SHAP进行解释性.

主要成果:

• 机器学习模型在开发,内部和外部验证队列中展示了中等到高的歧视和有利的校准.
• 一个神经网络模型实现了最高的性能 (AUC = 0.937),支持矢量机和随机森林也显示了强的结果 (AUC = 0.935).
• 关键预测因素包括较低的BMI,较高的Hoehn-Yahr阶段,较长的PD持续时间,先前的骨折,家族病史,肉症和特定药物的使用.

结论:

• 使用常规可用的临床数据的机器学习模型为PD患者的骨质疏松症提供了有效的风险分层.
• 这些模型表现出良好的校准和显著的临床实用性,支持有针对性的查.
• 开发的工具可以帮助制定个性化的管理策略,以减少这个脆弱人群中骨折风险.