基于机器学习与多维度血液生物标志物的骨质疏松症风险预测模型构建与评估

《Frontiers in Molecular Biosciences》:Development and evaluation of a machine learning based risk prediction model for osteoporosis

【字体: 大 中 小 】 时间:2026年09月24日 来源:Frontiers in Molecular Biosciences 4.4

编辑推荐:

  目的:骨质疏松症是一种全身性骨骼疾病,可导致骨强度下降和骨折易感性增加。研究人员旨在评估细胞因子(cytokines)及其他常见血液生物标志物的水平,并建立基于机器学习(machine learning)的骨质疏松症患者风险预测模型。方法:研究人员回顾性收集了

  
目的:骨质疏松症是一种全身性骨骼疾病,可导致骨强度下降和骨折易感性增加。研究人员旨在评估细胞因子(cytokines)及其他常见血液生物标志物的水平,并建立基于机器学习(machine learning)的骨质疏松症患者风险预测模型。方法:研究人员回顾性收集了2023年1月至2024年9月在中国人民解放军总医院第七医学中心住院的骨质疏松症患者的临床数据。分析了16种细胞因子及其他潜在预测变量,以确定独立危险因素。建立了11种机器学习模型,使用受试者工作特征曲线(Receiver Operating Characteristic curve, ROC curve)、精确率-召回率曲线(Precision-Recall curve, PR curve)和混淆矩阵(confusion matrix)评估模型性能,并选择最优模型。采用SHAP(Shapley Additive exPlanations)方法为模型预测提供解释,并构建预测模型的可视化表示。结果:共纳入187例患者,鉴定出包括IL-8在内的16个特征为危险特征。通过比较11种不同模型,发现梯度提升(Gradient Boost)模型性能最佳,其曲线下面积(Area Under the Curve, AUC)值为0.91,准确率为0.81,F1分数为0.80,且特异度与敏感度相对均衡。SHAP值用于揭示各特征在预测骨质疏松症时的方向与强度。结论:本研究成功开发了一种基于包括IL-8在内的16个常见变量的风险预测模型,为骨质疏松症患者的早期识别和预防提供了关键证据,具有潜在的临床意义。
骨质疏松
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号