骨密度が低い人を識別するための機械学習アルゴリズムの適用

背景：骨粗鬆症は世界中でより一般的になりつつあり、個人と社会に大きな負担をかけています。骨粗鬆症の発症は微妙であり、早期の検出は困難であり、人口全体のスクリーニングは実行不可能です。したがって、骨粗鬆症のリスクが高い人々を特定する方法を開発する必要があります。 目的：この研究の目的は、機械学習アルゴリズムを開発して、骨密度の低い人を効果的に特定し、容易に利用できる人口統計および血液生化学データを使用して効果的に識別することを目的としています。 方法：NHANES 2017-2020データを使用して、完全な大腿骨ネックBMDデータを持つ50年以上の参加者が選択されました。このコホートは、トレーニング（70％）とテスト（30％）セットにランダムに分割されました。ラッソ回帰トレーニングデータに基づいて構築された6つの機械学習モデルに含めるための選択された変数：ロジスティック回帰（LR）、サポートベクターマシン（SVM）、グラデーションブーストマシン（GBM）、ナイーブベイズ（NB）、人工ニューラルネットワーク（ANN）、および人工ニューラルネットワーク（ANN）、ランダムフォレスト（RF）。2013-2014サイクルのNHANESデータは、モデルへの外部検証セット入力として使用され、一般化が検証されました。モデルの識別は、AUC、精度、感度、特異性、精度、F1スコアを介して評価されました。キャリブレーション曲線は、適合度を評価しました。決定曲線は、臨床的有用性を決定しました。SHAPフレームワークは、さまざまな重要性を分析しました。 結果：合計3,545人の参加者がこの研究の内部検証セットに含まれており、そのうち1870人は正常な骨密度を持ち、1,675人は骨密度の低いラッソ回帰を選択した19の変数が選択されました。テストセットでは、AUCは0.785（LR）、0.780（SVM）、0.775（GBM）、0.729（NB）、0.771（ANN）、および0.768（RF）でした。LRモデルには、最良の識別とキャリブレーション曲線の適合性が向上し、決定曲線の最良の臨床的純利益があり、外部検証データセットの良好な予測力も反映しています。LRモデルの上位変数は、年齢、BMI、ジェンダーでした、クレアチンホスホキナーゼ、総コレステロールおよびアルカリホスファターゼ。 結論：機械学習モデルは、血液バイオマーカーを使用して低いBMDの効果的な分類を実証しました。これは、骨粗鬆症の予防と管理のための臨床的意思決定を支援する可能性があります。

BACKGROUND: Osteoporosis is becoming more common worldwide, imposing a substantial burden on individuals and society. The onset of osteoporosis is subtle, early detection is challenging, and population-wide screening is infeasible. Thus, there is a need to develop a method to identify those at high risk for osteoporosis. OBJECTIVE: This study aimed to develop a machine learning algorithm to effectively identify people with low bone density, using readily available demographic and blood biochemical data. METHODS: Using NHANES 2017-2020 data, participants over 50 years old with complete femoral neck BMD data were selected. This cohort was randomly divided into training (70%) and test (30%) sets. Lasso regression selected variables for inclusion in six machine learning models built on the training data: logistic regression (LR), support vector machine (SVM), gradient boosting machine (GBM), naive Bayes (NB), artificial neural network (ANN) and random forest (RF). NHANES data from the 2013-2014 cycle was used as an external validation set input into the models to verify their generalizability. Model discrimination was assessed via AUC, accuracy, sensitivity, specificity, precision and F1 score. Calibration curves evaluated goodness-of-fit. Decision curves determined clinical utility. The SHAP framework analyzed variable importance. RESULTS: A total of 3,545 participants were included in the internal validation set of this study, of whom 1870 had normal bone density and 1,675 had low bone density Lasso regression selected 19 variables. In the test set, AUC was 0.785 (LR), 0.780 (SVM), 0.775 (GBM), 0.729 (NB), 0.771 (ANN), and 0.768 (RF). The LR model has the best discrimination and a better calibration curve fit, the best clinical net benefit for the decision curve, and it also reflects good predictive power in the external validation dataset The top variables in the LR model were: age, BMI, gender, creatine phosphokinase, total cholesterol and alkaline phosphatase. CONCLUSION: The machine learning model demonstrated effective classification of low BMD using blood biomarkers. This could aid clinical decision making for osteoporosis prevention and management.