Multimodel interpreteerbare machine learning voor osteoporosevoorspelling bij diabetes met behulp van een grote intensive care elektronische patiëntendossierdatabase

Dongdong Cheng; Wei Zhang; Jingyu Chen; Xinhui Zhu

doi:10.3791/71386

Een abonnement op JoVE is vereist om deze inhoud te bekijken. Log in of start vandaag met uw gratis proefperiode.

Onderzoeksartikel

Multimodel interpreteerbare machine learning voor osteoporosevoorspelling bij diabetes met behulp van een grote intensive care elektronische patiëntendossierdatabase

127 weergaven

⸱

DOI:

10.3791/71386

⸱

30 juni 2026

Dongdong Cheng¹ , Wei Zhang¹ , Jingyu Chen¹ , Xinhui Zhu¹

¹Orthopaedics Department, Nantong First People's Hospital

In dit artikel

Samenvatting

Dit protocol beschrijft de ontwikkeling en evaluatie van een interpreteerbaar ensembleboomgebaseerd machine learning-model met behulp van routinematig verzamelde klinische gegevens om het osteoporoserisico bij patiënten met diabetes te voorspellen.

Samenvatting

Diabetes mellitus wordt geassocieerd met een verhoogde skeletfragiliteit en een verhoogd breukrisico; echter, vroege identificatie van osteoporose (OP) bij diabetische populaties blijft een uitdaging. Deze studie had als doel meerdere machine learning (ML) modellen te ontwikkelen en te vergelijken voor het voorspellen van OP bij patiënten met diabetes, terwijl hun klinische bruikbaarheid werd geëvalueerd en de transparantie van het model werd verbeterd met behulp van SHapley Additive exPlanations (SHAP). Met behulp van routinematig verzamelde demografische en laboratoriumgegevens uit de MIMIC-IV-database werden meerdere ML-algoritmen, waaronder boomensembles, gradient boosting en lineaire baselines, getraind en gevalideerd. De modelprestaties werden uitgebreid geëvalueerd met behulp van discriminatiemetrics, waaronder het oppervlak onder de receiver operating characteristic curve (AUC) en precisie–recall-analyse, evenals kanskalibratiecurves en beslissingscurveanalyse (DCA) om het netto klinisch voordeel te beoordelen. Het best presterende model werd verder geïnterpreteerd met behulp van SHAP om featurebijdragen te kwantificeren en te visualiseren op zowel globaal als individueel niveau. Van alle geëvalueerde modellen toonden op basis van ensemble-boommethoden verbeterde prestaties. De ExtraTrees-classifier behaalde de hoogste validatieprestaties (AUC = 0,862; gemiddelde precisie = 0,866). Bovendien vertoonde het geselecteerde model uitstekende kanskalibratie (Brier-score = 0,154) en toonde het aanzienlijk netto klinisch voordeel over een breed scala aan risicodrempels in de DCA. SHAP-analyse identificeerde geslacht en leeftijd als de meest invloedrijke voorspellers, gevolgd door routinematige hematologische en metabole laboratoriumindicatoren. Lokale verklaringen boden klinisch interpreteerbare inzichten in individuele voorspellingen. Een interpreteerbaar ensembleboomgebaseerd model voorspelt effectief het OP-risico bij patiënten met diabetes met behulp van routinematig beschikbare klinische variabelen. De integratie van SHAP verbetert de klinische transparantie, en sterke kalibratie in combinatie met positief netto klinisch voordeel ondersteunt de potentiële implementatie ervan als een betrouwbaar hulpmiddel voor de vroege risicostratificatie van de OP-risico's bij diabetische populaties.

Inleiding

Diabetes mellitus en osteoporose (OP) zijn zeer voorkomende chronische aandoeningen die steeds vaker naast elkaar bestaan, wat een aanzienlijke last veroorzaakt door fragiliteitsfracturen, invaliditeit en zorgkosten. Bij patiënten met type 2 diabetes (T2D) is het breukrisico paradoxaal genoeg verhoogd, zelfs wanneer de oppervlaktelijke botmineraaldichtheid (BMD), gemeten met dual-energy X-ray absorptiometrie (DXA), behouden blijft of hoger is dan verwacht, wat benadrukt dat botkwaliteit en systemische metabole factoren belangrijk bijdragen aan skeletfragiliteit ^1,2. Hoewel DXA....