$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
数据来源与伦理声明
这项回顾性研究使用了MIMIC-IV（3.1版）的数据，该数据库是一个公开可用的去标识化重症监护EHR数据库，托管在PhysioNet上。数据库包含人口统计信息、生命体征、实验室检测、诊断、操作和用药信息。
访问MIMIC-IV需要获得资质授权，并遵守PhysioNet数据使用协议和培训要求。研究人员完成了所需的培训并获得了访问权（证书编号：68351548）。由于数据库已去标识化，本研究分析了匿名化数据，未涉及与患者的直接接触;因此，无需知情同意。完整的逐步可执行建模工作流程如 图1所示。
图1。糖尿病患者骨质疏松（OP）风险预测的整体建模工作流程。 研究流程的示意表示，包括队列识别、数据提取、特征工程、多模型基准测试、基于验证性能的模型选择，以及基于SHAP的最终模型可解释性。 请点击此处查看该图的放大版本。
研究人群与数据提取
数据通过数据库管理工具从重症监护IV医疗信息市场（MIMIC-IV）数据库中提取。为确保可重复性，补充 文件1中提供了具体的SQL查询，包括用于队列检索的表名和过滤逻辑。诊断为糖尿病的成年患者（≥18岁）通过ICD-9编码（249,250）和ICD-10编码（E08–E13）进行识别。主要结局OP通过ICD-9代码（733.x）和ICD-10代码（M80、M81、M82）定义。在最初符合条件的糖尿病队列（n = 46,226）中，识别出3,672例阳性事件（有OP患者）和42,554例阴性事件（无OP患者）。详细的患者选择和流失流程图见 图2。
图2。患者选择和队列构建流程图。 流程图展示了从MIMIC-IV（v3.1）数据库中逐步推导队列的方法。通过ICD编码识别成年糖尿病患者，随后排除年龄和它;18年，关键数据缺失 >30%，或者无效记录。最后一批被分为OP（正面事件）和非OP（负面事件）。在分层数据集拆分前，通过随机欠采样和SMOTE对训练数据进行处理类别失衡。 请点击此处查看该图的放大版本。
特征工程
为确保多个机器学习算法间的公平基准和精确重复性，采用了相同的预处理步骤序列：特征选择、缺失值补补、连续特征尺度、类平衡和数据集拆分。完整的输入特征列表，包括变量名称、单元和数据源，详见 表1。
| 特色 | 总计
（n = 14,688） | 训练集
（n = 9,546） | 验证集
（n = 2,204） | 测试集
（n = 2,938） | P值 |
| 性别 | | | | | 0.345 |
| 男性 | 6222 (42.36%) | 4045 (42.37%) | 935 (42.42%) | 1242 (42.27%) | |
| 女性 | 8466 (57.64%) | 5501 (57.63%) | 1269 (57.58%) | 1696 (57.73%) | |
| 年龄 | 0.28（−0.40,0.94） | 0.28（−0.43,0.94） | 0.23（−0.46,0.89） | 0.28（−0.39,0.95） | 0.1655 |
| 红细胞 | −0.14（−0.79,0.49） | −0.13（−0.79,0.49） | −0.17（−0.83,0.48） | −0.14（−0.76,0.49） | 0.3641 |
| 血细胞比容 | −0.14（−0.81， 0.52） | −0.13（−0.80,0.52） | −0.14（−0.87,0.51） | −0.16（−0.81,0.52） | 0.3709 |
| 血红蛋白 | −0.12（−0.79， 0.52） | −0.12（−0.79， 0.51） | −0.15（−0.86,0.53） | −0.13（−0.78,0.52） | 0.3616 |
| RDW | −0.16（−0.59， 0.45） | −0.17（−0.59,0.46） | −0.14（−0.59,0.45） | −0.17（−0.60,0.42） | 0.5803 |
| 磷酸盐 | −0.14（−0.60,0.38） | −0.15（−0.61,0.38） | −0.11（−0.57,0.38） | −0.13 （−0.56， 0.34） | 0.415 |
| 多重价值 | 0.05（−0.50,0.63） | 0.06（−0.50,0.65） | 0.03（−0.49,0.65） | 0.02（−0.50,0.59） | 0.5408 |
| 镁 | −0.10（−0.52,0.37） | −0.10（−0.52,0.37） | −0.10（−0.52,0.37） | −0.09（−0.50,0.37） | 0.7797 |
| 白细胞 | −0.16（−0.47,0.21） | −0.16（−0.47,0.20） | −0.15（−0.48， 0.25） | −0.16（−0.46,0.20） | 0.6856 |
| 阴离子间隙 | −0.12（−0.64,0.45） | −0.13（−0.64,0.45） | −0.07（−0.61,0.48） | −0.13（−0.64,0.45） | 0.1217 |
| 肌酐 | −0.30（−0.48， 0.01） | −0.30（−0.48， 0.01） | −0.30（−0.46,0.01） | −0.30（−0.48， −0.00） | 0.3323 |
| MCH | 0.11（−0.48,0.62） | 0.12（−0.48,0.62） | 0.11（−0.47,0.62） | 0.09（−0.48,0.61） | 0.5195 |
| 血小板计数 | −0.09（−0.61,0.49） | −0.09（−0.61,0.49） | −0.08（−0.62,0.47） | −0.10（−0.62,0.48） | 0.9709 |
| MCHC | −0.00（−0.59,0.59） | −0.00（−0.60,0.59） | −0.00（−0.57,0.58） | 0.00（−0.57,0.60） | 0.9263 |
| 氯化物 | 0.05（−0.54,0.64） | 0.05（−0.52,0.65） | 0.03（−0.59,0.62） | 0.07（−0.52,0.62） | 0.4675 |
| 钾 | −0.07（−0.67,0.53） | −0.09（−0.67,0.53） | −0.07（−0.67,0.53） | −0.07（−0.62,0.53） | 0.3071 |
| 钠 | 0.05（−0.56,0.60） | 0.05（−0.55,0.60） | −0.00（−0.60,0.60） | 0.07（−0.57,0.61） | 0.3492 |
| 尿素氮 | −0.28（−0.60,0.29） | −0.28（−0.60,0.29） | −0.26（−0.59,0.31） | −0.28（−0.59,0.25） | 0.6826 |
| 总钙 | 0.02（−0.61,0.59） | 0.02（−0.61,0.59） | −0.01（−0.59,0.56） | 0.01（−0.61,0.60） | 0.8203 |
表1。研究队列的基线特征和工程特征。类别变量以n（%）表示。连续变量以标准化值的中位数（四分位区间）表示。通过适当的统计检验计算了P值以比较训练、验证和测试集的分布。
连续变量与重复测量结果在整个ICU住院观察窗口内使用算术平均值汇总，得出每位患者单一特征向量。缺失率超过30%的变量被排除。其余数值变量的缺失值则通过K最近邻（KNN）算法（n_neighbors = 5，权重=“均匀”）进行推值。类别变量用最常见的类别推算，然后用二元映射转换，任何未见的类别都被赋予零向量。
连续变量采用z分数尺度公式（）标准化。在缩放前，表现出零方差的特征被明确移除。所有预处理参数（μ和σ）均严格在训练集上估计，并一致应用于验证集和测试集。
鉴于严重的类别不平衡（3,672人对42,554人），训练数据采用了混合平衡策略，以避免夸大性能估计。首先，采用随机样以减少多数负面类别，达到1：2（正负比）比例（共7,344个阴性样本）。接着，对正类应用合成少数族裔过采样技术（SMOTE），以实现最终1：1的平衡比值（7,344对7,344）8。
最后，队列在患者层面被分为培训组（65%）、验证组（15%）和测试组（20%），采用分层抽样法。为了严格控制所有随机过程，涵盖补补、平衡和分裂，强制执行了全局随机种子（random_state = 42）。
模型架构
为确定糖尿病患者OP风险最合适的预测模型，采用了大规模基准测试框架，在相同的数据表示和评估协议下比较了70个ML算法变体。候选模型家族包括正则化线性分类器、支持向量机（SVM）、kNN、树系综、梯度增强架构以及多层感知器9、10、11、12、13、14、15、16、17。
与传统网格搜索不同，超参数优化是通过评估这70个训练分段模型变体中的预定义稳健配置来实现的。选择严格基于验证集上受试者工作特征（ROC）曲线（AUC）下的面积最大化。最终表现最佳的模型配置为n_estimators = 200，其他参数仍保留在 材料表中列出的软件包默认设置。评估指标，包括AUC、准确性、F1分数、准确率和召回率，采用默认的0.5概率阈值计算。
为支持临床透明度，采用TreeExplainer方法对所选模型应用了SHAP。鉴于最终模型的树状结构，采用了精确的树路径依赖期望值作为背景配置。
