相关实验视频
Updated: Mar 18, 2026
03:52
The Creation of a Rat Model for Osteosarcopenia via Ovariectomy
Published on: February 21, 2025
1.4K
在社区医院患者中开发和验证基于机器学习的麻症风险预测模型:一项回顾性队列研究
Xue Zhao1, Wang Yao2, Jiawei Shen1
1Department of General Practice, Changshou Community Health Service Center of Putuo District, Shanghai, China.
Frontiers in aging
|March 16, 2026
概括
机器学习模型有效地识别了肉症风险因素,如SARC_Cal_score,BMI和年龄. 这有助于早期发现,并为老龄化人口提供个性化的护理.
科学领域:
- 老年学与公共卫生
- 生物医学信息学 生物医学信息学
- 临床诊断 临床诊断 临床诊断
背景情况:
- 随着全球人口老龄化,与年龄相关的肌肉质量和力量的损失萨尔科佩尼亚 (Sarcopenia) 构成了重大的公共卫生挑战.
- 目前的萨科佩尼亚诊断方法往往缺乏早期检测的敏感性,阻碍了及时干预.
研究的目的:
- 开发和验证可靠的机器学习 (ML) 模型,以识别与肉类相关的关键风险因素.
- 评估ML在社区医院环境中的实用性,以早期识别肉症风险.
主要方法:
- 分析了来自1650名社区卫生中心患者的回顾性数据,包括人口统计,临床和生活方式变量.
- 通过5倍交叉验证构建和评估了12个不同的ML模型 (例如,随机森林,SVM,XGBoost,后勤回归).
主要成果:
- CatBoost,LightGBM和梯度提升决策树模型表现出了卓越的预测性能,分别达到0.999,0.996和0.995的AUROC值.
- 沙普利添加式扩展 (SHAP) 确定了SARC_Cal_score,BMI和年龄作为主要预测因素;增加的慢性疾病负担与肉症风险正相关.
结论:
- ML模型表明,在早期发现和干预肉类风险方面,临床应用具有显著的潜力.
- 这种基于ML的方法为社区老年护理机构的个性化治疗规划提供了一个实用的工具.
- 未来的研究应该纳入额外的生物标志物和环境因素,以提高模型的准确性和临床工作流程的整合.
