使用机器学习在成年人中早期发现低肌肉质量:以初级保健为导向的方法
Maximiliano Ezequiel Arlettaz1, Stefano Staurini2, Camila Ormaechea2
1Universidad Nacional de Entre Rios-Concepción del Uruguay P.C. 3260, Argentina.
Family practice
|March 5, 2026
概括
机器学习模型可以使用简单的数据预测低瘦质量 (LLM),帮助早期检测. 这些模型具有很高的准确性和特异性,为初级保健风险分层提供了潜在的工具.
科学领域:
- 生物医学信息学 生物医学信息学
- 老年学是一门学科.
- 公共卫生 公共卫生
背景情况:
- 低瘦质量 (LLM) 是患病率和死亡率的重要预测因素,特别是在老年人群中.
- 双能X射线吸收度 (DXA) 是LLM评估的标准,但成本昂贵且难以获得.
- 为LLM开发可访问的查方法对于预防性医疗保健至关重要.
研究的目的:
- 开发和验证用于预测LLM的机器学习 (ML) 模型.
- 利用现有的人口和临床数据来进行LLM预测.
- 专注于使用NHANES 2011-2014数据的18-59岁成年人.
主要方法:
- 使用DXA衍生的尾骨肌肉质量/BMI (FNIH标准) 定义了低瘦质量 (LLM).
- 训练了六个ML算法 (逻辑回归,决策树,随机森林,LightGBM,XGBoost,SVM).
- 预测因素包括年龄,性别,身高,体重和手握强度.
主要成果:
- XGBoost模型表现出强大的预测性能,AUC为0.94.
- 所有模型都表现出高特异性 (>98%) 和精度 (>94%).
- 在不同模型 (35%-48%) 中,敏感性各不相同,在某些比较中,XGBoost 显示出优异的歧视.
结论:
- 机器学习模型可以使用低成本预测器有效估计LLM概率.
- 这些模型显示了LLM初级保健风险分层的潜力.
- 需要外部验证和进一步的研究来确定临床效用.
