Aprendizado de Máquina Interpretável Multimodelo para Previsão de Osteoporose no Diabetes usando um grande banco de dados eletrônico de prontuários de saúde em cuidados críticos

Dongdong Cheng; Wei Zhang; Jingyu Chen; Xinhui Zhu

doi:10.3791/71386

É necessária uma assinatura do JoVE para visualizar este conteúdo. Faça login ou inicie seu teste gratuito.

Artigo de investigação

Aprendizado de Máquina Interpretável Multimodelo para Previsão de Osteoporose no Diabetes usando um grande banco de dados eletrônico de prontuários de saúde em cuidados críticos

127 visualizações

⸱

DOI:

10.3791/71386

⸱

30 de junho de 2026

Dongdong Cheng¹ , Wei Zhang¹ , Jingyu Chen¹ , Xinhui Zhu¹

¹Orthopaedics Department, Nantong First People's Hospital

Neste artigo

Resumo

Este protocolo descreve o desenvolvimento e avaliação de um modelo de aprendizado de máquina em árvore em conjunto interpretável, utilizando dados clínicos coletados rotineiramente para prever o risco de osteoporose em pacientes com diabetes.

Resumo

Diabetes mellitus está associado a aumento da fragilidade esquelética e risco elevado de fraturas; no entanto, a identificação precoce da osteoporose (OP) em populações diabéticas continua sendo desafiadora. Este estudo teve como objetivo desenvolver e comparar múltiplos modelos de aprendizado de máquina (ML) para prever OP entre pacientes com diabetes, avaliando sua utilidade clínica e aumentando a transparência do modelo usando SHapley Additives ExPlanations (SHAP). Utilizando dados demográficos e laboratoriais coletados rotineiramente do banco de dados MIMIC-IV, múltiplos algoritmos de ML, incluindo conjuntos de árvores, aumento de gradiente e linhas de base lineares, foram treinados e validados. O desempenho do modelo foi avaliado de forma abrangente usando métricas de discriminação, incluindo a área sob a curva característica operacional do receptor (AUC) e análise de precisão–recordação, bem como curvas de calibração de probabilidade e análise de curvas de decisão (DCA) para avaliar o benefício clínico líquido. O modelo de melhor desempenho foi ainda interpretado usando SHAP para quantificar e visualizar contribuições de características tanto em nível global quanto individual. Entre todos os modelos avaliados, métodos baseados em árvores de conjunto apresentaram desempenho melhorado. O classificador ExtraTrees alcançou o maior desempenho de validação (AUC = 0,862; precisão média = 0,866). Além disso, o modelo selecionado apresentou excelente calibração de probabilidade (escore Brier = 0,154) e demonstrou benefício clínico líquido substancial em uma ampla gama de limiares de risco no DCA. A análise SHAP identificou gênero e idade como os preditores mais influentes, seguidos por indicadores hematológicos e metabólicos de laboratório rotineiros. Explicações locais forneceram insights clinicamente interpretáveis sobre previsões individuais. Um modelo em árvore em conjunto interpretável prevê efetivamente o risco de OP em pacientes com diabetes utilizando variáveis clínicas rotineiramente disponíveis. A integração do SHAP melhora a transparência clínica, e uma calibração forte, aliada ao benefício líquido positivo para o bem-estar clínico, apoia sua possível implementação como uma ferramenta confiável de apoio à decisão para a estratificação precoce do risco OP em populações diabéticas.

Introdução

Diabetes mellitus e osteoporose (OP) são condições crônicas altamente prevalentes que coexistem cada vez mais, criando um fardo substancial por meio de fraturas por fragilidade, deficiência e custos de saúde. Em pacientes com diabetes tipo 2 (T2D), o risco de fratura é paradoxalmente elevado mesmo quando a densidade mineral óssea da área (DMO) medida por absorptiometria de raios X de energia dupla (DXA) está preservada ou superior ao esperado, destacando que a "qualidade" óssea e fatores metabólicos sistêmicos contribuem significativamente para a fragilidade^esquelética ^1,2. Ap....