Мы разработали и внутренне оценили модель TabTransformer на основе внимания для госпитальной классификации остеопороза у взрослых, проходящих нейрохирургические операции на спину, используя рутинно собираемые клинические данные Medical Information Mart for Intensive Care IV.
Исследовательская статья
ТабТрансформерная госпитальная классификация остеопороза у взрослых, проходящих нейрохирургические операции позвоночника
* These authors contributed equally
В этой статье
Краткое содержание
Аннотация
Целью было разработать и внутренне оценить модель глубокого обучения для госпитальной классификации остеопороза среди взрослых, проходящих нейрохирургические операции на позвоночнике, с использованием рутинно собираемых табличных клинических данных. В этом ретроспективном исследовании использовалась база данных Medical Information Mart for Intensive Care IV (MIMIC-IV) для выявления взрослых пациентов, перенесших нейрохирургические операции позвоночника. Остеопороз определялся кодами диагноза ICD-9/10, зафиксированными при индексном госпитализации. Для разработки модели использовались демографические характеристики, записи о лекарствах, лабораторные измерения и жизненно важные показатели при одной госпитализации. После стратифицированного разделения на обучающие, валидационные и тестовые наборы дисбаланс классов решался только в обучающем наборе. Была разработана модель на базе TabTransformer, сравнивая с XGBoost, LSTM_Attention и Temporal Convolutional Networks (TCN). Интерпретируемость модели оценивалась с помощью SHapley Additive exPlanations (SHAP). На оставшейся тестовой системе TabTransformer показал наилучшую общую производительность: площадь под рабочей характеристикой приёмника (AUC) составляет 0,953, а средняя точность (AP) — 0,799. Соответствующие значения для TCN, XGBost и LSTM_Attention составили соответственно 0,937/0,707, 0,857/0,303 и 0,755/0,179. Анализ SHAP выявил возраст, пол, креатинин, ширину распределения эритроцитов, бикарбонаты, фосфаты, нейтрофилы и ряд переменных, связанных с медикаментозным лечением, как ключевые факторы для моделирования выхода. В этой одноцентровой ретроспективной когорте модель TabTransformer показала сильную дискриминационную эффективность для госпитальной классификации остеопороза и предоставила интерпретируемые ассоциации на уровне признаков с помощью SHAP. Поскольку предикторы и исход определялись в рамках одной и той же госпитализации, эту структуру следует интерпретировать как внутренне валидированную исследовательскую модель классификации, а не как временно явный инструмент прогнозирования будущих рисков.
Введение
Остеопороз (ОП) — это широко распространённое скелетное заболевание, характеризующееся снижением минеральной плотности костей и структурным разрушением костной ткани, что приводит к увеличению хрупкости костей и повышению вероятностипереломов 1. Он продолжает представлять серьёзную проблему общественного здравоохранения, особенно среди пожилых людей и женщин впостменопаузе 2. У пациентов, находящихся в больнице, проходящих нейрохирургические операции, здоровье костей может зависеть от снижения подвижности, системных стрессовых реакций, воздействия медикаментов и нарушений метаболического гомеостаза во время индексного госпитализации. Предыдущие данные по неврологическим заболеваниям и травмам спинного мозга свидетельствуют о том, что иммобилизация и системные заболевания могут способствовать ускоренной потерекостной ткани 3,4, хотя сигналы, связанные с остеопорозом, в данном клиническом контексте остаются недостаточно охарактеризованными.
Регулярно собираемые электронные медицинские карты дают возможность изучить закономерности, связанные с остеопорозом, в этой популяции, используя переменные, уже доступные при рутинном уходе, такие как демографические характеристики, медицинские записи, лабораторные анализы и жизненно важные показатели. Некоторые переменные, связанные с уходом (например, модели применения медикаментов) также могут выступать косвенными показателями функционального состояния или подвижности. Однако относительно немногие исследования были сосредоточены на взрослых, проходящих нейрохирургические операции с использованием структурированных табличных клинических данных. Кроме того, база данных Medical Information Mart for Intensive Care IV (MIMIC-IV) представляет собой большую ретроспективную когорту ретроактивной терапии из одного третьего центра, а не широко репрезентативную многоцентровую популяцию. Поэтому анализы, основанные на этом ресурсе, следует интерпретировать в рамках внутренней валидации и исследовательского клинического моделирования. Недавние исследования машинного обучения улучшили моделирование риска, связанного с остеопорозом, за счёт интеграции биомаркеров с клиническими переменными, однако такая работа в основном проводилась в ненейрохирургическихпопуляциях 5.
Методы машинного обучения всё чаще используются для анализа высокоразмерных табличных клинических данных, особенно когда между гетерогенными переменными могут существовать сложные и нелинейные взаимодействия. Среди этих подходов архитектура TabTransformer хорошо подходит для смешанных табличных входов, поскольку позволяет моделировать контекстные связи между признаками с помощью самовнимания, сохраняя гибкость как для категорической, так и для числовыхпеременных 6. В сочетании с SHapley Additive exPlanations (SHAP) такие модели также могут предоставлять интерпретируемое описание вклада признаков, позволяя исследовательскую оценку того, как демографические, лабораторные, физиологические и медикаментозные переменные связаны с результатом модели.
Соответственно, в данном исследовании мы использовали данные MIMIC-IV для разработки и внутренней оценки модели TabTransformer на основе внимания для госпитальной идентификации остеопороза у взрослых, перенесших спинально-нейрохирургические операции во время индексного госпитализации. Используя демографические переменные вместе с агрегированными признаками медикаментов, лабораторных и жизненно важных показателей на уровне госпитализации, мы сравнили модель TabTransformer с несколькими базовыми моделями и изучили наиболее влиятельные характеристики с помощью интерпретации на основе SHAP. Поскольку и предикторы, и исход были определены в рамках одной и той же госпитализации, этот анализ представляет собой параллельную систему классификации в больнице, а не временно явную модель прогнозирования будущих рисков. Эта работа предназначена как внутренне валидированный, исследовательский анализ в одноцентровой ретроспективной когорте интенсивной терапии.
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Протокол
Источник данных
Это исследование было ретроспективным анализом, основанным на базе данных Medical Information Mart for Intensive Care IV (MIMIC-IV, версия 3.1), общедоступной базе данных по интенсивной терапии, размещённой на PhysioNet (https://physionet.org/content/mimiciv/3.1/). База данных была разработана в результате сотрудничества между Лабораторией вычислительной физиологии Массачусетского технологического института, Медицинским центром Бет Израэль Диконисс и компанией Philips и содержит комплексные деидентифицированные клинические данные, включая демографическую информацию, жизненно важные показатели, лабораторные измерения и медицинские записи.
Все данные пациентов в MIMIC-IV полностью деидентификацированы в соответствии с Законом о переносимости и подотчётности медицинского страхования (HIPAA), поэтому для этого исследования не требовалось одобрения институционального контрольного совета (IRB). Использование базы данных регулируется соглашением об использовании данных (DUA), и доступ предоставляется только авторизованным пользователям, прошедшим необходимое обучение и сертификацию. Авторы прошли необходимое обучение, получили доступ к удостоверению (пользователь с аккредитацией PhysioNet) и провели исследование в соответствии со всеми соответствующими нормативами по использованию данных.
Изучение популяции и извлечение данных
Взрослые пациенты (≥18 лет), прошедшие нейрохирургические операции по позвоночной хирургии, были выявлены из базы данных MIMIC-IV с использованием кодов ICD, связанных с процедурами. Нейрохирургические процедуры по спинному мозгу определялись как коды ICD-9, начинающиеся с 03 (операции на спинном мозге и спинномозговом канале), а коды ICD-10 начинаются с 00B, 00H, 00J, 00N, 00P, 00Q, 00R, 00S, 00T или 00U (процедуры, связанные со спинным мозгом). Для пациентов с несколькими госпитализациями сохранялась только первая поступка, включающая соответствующую процедуру, чтобы избежать повторных измерений от одного и того же человека.
Исходная переменная, остеопороз, была определена на основе кодов ICD-9, начинающихся с 733, и кодов ICD-10, начинающихся с M80, M81 или M82, зафиксированных при поступлении по индексу. Поскольку и предикторы, и исход были получены из одной и той же госпитализации, аналитическая задача в этом исследовании была сформулирована как госпитальная классификация, а не прогнозирование перспективного риска.
Всего 10 803 пациента соответствовали критериям включения. После стратифицированного разделения набор данных делился на обучающий набор (n = 7 561), валидационный набор (n = 1 621) и тестовый набор (n = 1 621). Распределение классов было сильно дисбалансировано на всех разделах. В наборе обучения 499 пациентов (6,60%) были положительными на остеопороз и 7 062 (93,40%) — остеопорозом. В валидационном наборе 107 пациентов (6,60%) были положительными, а 1 514 (93,40%) — отрицательными. Тестовый набор показал такое же распределение: 107 положительных (6,60%) и 1 514 отрицательных (93,40%) случаев.
Клинические данные были извлечены с помощью программного обеспечения для управления реляционными базами данных из MIMIC-IV. Извлеченные переменные включали демографические характеристики (например, возраст и пол), лабораторные измерения, жизненно важные показатели и записи о медикаментах. Для каждого пациента для последующей конструкции признаков использовались данные из индексного приёма.
Для обеспечения корректности оценки модели набор данных сначала был разделён на обучающие, валидационные и тестовые наборы с использованием стратифицированной выборки (70%, 15% и 15%)3,7. Все последующие этапы предварительной обработки, способные ввести смещение, включая выбор признаков и повторную дискретизацию, выполнялись исключительно внутри обучающего набора. Дисбаланс классов в обучающем наборе был устранен с помощью комбинации понижения выборки большинства и синтетической техники перевыборки меньшинств (SMOTE), в то время как валидационные и тестовые наборы сохранили исходное распределение классов для отражения реальной распространённости.
Инженерия особенностей
Был реализован многоступенчатый конвейер инженерии признаков для повышения производительности модели при сохранении интерпретируемости. Для каждого пациента медикаменты, лабораторные и жизненные показатели из индексного поступления были агрегированы в сводные характеристики (например, средние значения для повторных измерений и среднее воздействие медикаментов).
Для снижения разреженности признаков были исключены кандидатные группы признаков с отсутствующими значениями более 30%. Чтобы избежать утечки данных, этот этап фильтрации выполнялся исключительно с помощью обучающего набора, а затем тот же набор функций применялся к валидационным и тестовым наборам.
Впоследствии на уровне группы признаков был проведён скрининг одномерных признаков с использованием теста Mann– Whitney U для сравнения распределения между пациентами с положительным на остеопороз и отрицательным на остеопороз. Группы признаков ранжировались по статистической значимости, а топ-k группы (k = 20) сохранялись для моделирования ниже по потоку. Эта процедура отбора также проводилась исключительно внутри учебного набора, чтобы предотвратить утечку информации.
Учитывая относительно высокую степень отсутствия между кандидатными группами признаков, основная задача этого этапа отбора из верхней тысячи заключалась в отсеивании признаков со слабыми статистическими сигналами, а не в строго оптимизации размерности признаков. На практике производительность модели не была высокочувствительна к точному значению k в разумном диапазоне, что говорит о том, что этот этап в основном служил процедурой скрининга, ориентированной на устойчивость, чтобы исключить малоинформативные признаки при сохранении клинически значимых сигналов.
Основные демографические характеристики сохранились во всех моделях. Недостающие значения в этих демографических переменных были введены с помощью среднего значения, рассчитанного из обучающего набора. Среднее вычисление было выбрано за простоту и стабильность в этом большом наборе данных, хотя оно может снижать дисперсию и вводить смещение; Это ограничение признаётся.
Для выбранных признаков медикаментов, лаборатории и жизненно важных показателей отсутствие зафиксированного измерения или воздействия кодировалось как ноль для обеспечения последовательного числового ввода для обучения моделей. Мы признаём, что такой подход может смешивать истинные нулевые значения с отсутствием или отсутствием экспозиции, особенно для переменных, где ноль физиологически не имеет значения. Однако эта стратегия кодирования применялась последовательно во всех выборках и сопровождалась стандартизацией Z-score, которая снижает искажения, связанные с масштабированием. Потенциальное влияние этого предположения рассматривается как ограничение.
Все численные признаки стандартизировались с помощью нормализации Z-score на основе среднего и стандартного отклонения, оценённого от обучающего набора:
z = (x — μ)/σ
Где x обозначает исходное значение признаков, а μ и σ обозначают среднее и стандартное отклонение, вычисленное от обучающего множества. Категориальные переменные кодировались численно для удовлетворения входных требований моделей глубокого обучения.
Эта стратегия инженерии признаков позволила систематически снизить размерность при сохранении клинически значимых областей, включая демографию, функцию почек, гематологические индексы, воспалительные маркеры и метаболические параметры. Подробные базовые характеристики исследуемой популяции по обучающему, валидационному и тестовому набору представлены в Таблице 1.
| Особенности | Total | Тренировочный набор | Валидационный набор | Тестовый набор | Значение p |
| (n=5238) | (n=1996) | (n=1621) | (n=1621) | ||
| Пол | <0.001 | ||||
| Мужской | 2477 (47.29%) | 834 (41.78%) | 797 (49.17%) | 846 (52.19%) | |
| Женский | 2761 (52.71%) | 1162 (58.22%) | 824 (50.83%) | 775 (47.81%) | |
| Возраст | 60.69 (48.29, 70.61) | 63.45 (52.00, 72.41) | 58.00 (46.00, 69.00) | 60.00 (46.00, 70.00) | <0.001 |
| Высота | 165.23 (160.79, 171.21) | 164.25(161.41, 172.23) | 166.32 (161.85, 171.22) | 165.22 (161.31, 169.89) | <0.001 |
| Вес | 72.01 (56.77, 82.46) | 75.45 (63.22, 81.45) | 70.55 (60.22, 79.33) | 73.62 (65.22, 81.88) | <0.001 |
| Сенна | 1.00 (-0.73, 8.60) | 1.00 (-0.30, 8.60) | 1.00 (-1.00, 8.60) | 1.00 (-1.00, 8.60) | <0.001 |
| Docusate натрий | 100.00 (100.00, 100.00) | 100.00 (100.00, 100.00) | 100.00 (100.00, 100.00) | 100.00 (100.00, 100.00) | 0.001 |
| Гепарин | 5000.00 (1655.28, 5000.00) | 5000.00 (-1.00, 5000.00) | 5000.00 (1600.00, 5000.00) | 5000.00 (3750.00, 5000.00) | 0.292 |
| Хлорид натрия 0,9% Промывка | 3.00 (1.76, 3.00) | 3.00 (3.00, 3.00) | 3.00 (-1.00, 3.00) | 3.00 (3.00, 3.00) | <0.001 |
| Эритроциты | 3.96 (3.51, 4.35) | 3.90 (3.49, 4.28) | 4.02 (3.53, 4.40) | 3.97 (3.50, 4.38) | <0.001 |
| Гемоглобин | 11.81 (10.51, 13.02) | 11.66 (10.47, 12.82) | 11.91 (10.58, 13.14) | 11.90 (10.49, 13.15) | <0.001 |
| RDW | 13.98 (13.22, 15.15) | 14.12 (13.35, 15.24) | 13.90 (13.10, 15.06) | 13.90 (13.18, 15.13) | <0.001 |
| Гематокрит | 35.67 (31.95, 39.00) | 35.32 (31.63, 38.50) | 36.00 (32.28, 39.37) | 35.77 (32.01, 39.25) | <0.001 |
| Удельный вес | 1.01 (1.01, 1.02) | 1.01 (1.01, 1.02) | 1.01 (1.01, 1.02) | 1.01 (1.01, 1.02) | <0.001 |
| Бикарбонат | 25.72 (24.04, 27.15) | 25.86 (24.17, 27.27) | 25.65 (23.92, 27.03) | 25.62 (24.00, 27.12) | <0.001 |
| Нейтрофилы | 68.67 (60.52, 76.23) | 69.41 (61.90, 76.52) | 68.10 (59.60, 75.88) | 68.34 (59.75, 76.23) | <0.001 |
| Креатинин | 0.82 (0.68, 1.02) | 0.81 (0.68, 1.00) | 0.83 (0.69, 1.02) | 0.83 (0.68, 1.03) | <0.001 |
| Фосфат | 3.29 (2.92, 3.64) | 3.27 (2.93, 3.57) | 3.30 (2.93, 3.69) | 3.30 (2.90, 3.65) | 0.002 |
| Азот мочевины | 15.43 (12.08, 20.18) | 15.74 (12.50, 20.20) | 15.00 (11.64, 19.89) | 15.48 (12.00, 20.43) | <0.001 |
| Лимфоциты | 19.12 (12.22, 26.15) | 18.81 (12.49, 25.30) | 19.36 (12.40, 27.07) | 19.24 (11.72, 26.27) | 0.001 |
| Аланинаминотрансфераза (ALT) | 20.49 (10.84, 32.82) | 20.47 (11.67, 32.06) | 20.00 (10.00, 32.93) | 21.00 (10.67, 33.67) | 0.3283 |
| MCV | 90.90 (87.50, 94.32) | 91.03 (87.64, 94.51) | 90.64 (87.43, 94.00) | 91.00 (87.40, 94.40) | <0.001 |
| MCHC | 33.14 (32.37, 33.92) | 33.11 (32.37, 33.88) | 33.16 (32.38, 33.97) | 33.16 (32.35, 33.93) | <0.001 |
| Базофилы | 0.42 (0.27, 0.61) | 0.41 (0.27, 0.59) | 0.45 (0.29, 0.63) | 0.41 (0.26, 0.60) | 0.037 |
Таблица 1. Исходные характеристики изучаемой популяции стратифицированы по обучению, валидации и тестовым наборам.
Архитектура модели
Для моделирования сложных взаимосвязей между гетерогенными табличными клиническими признаками мы использовали архитектуру на базе TabTransformer, реализованную с использованием фреймворкаPyTorch 6. Модель была разработана для обработки как категорической, так и числовой переменной, а также для фиксации контекстуальных взаимодействий между признаками с помощью механизма самосознания.
Входное представление
Категориальные переменные сначала преобразовывались в плотные вложения. Каждая категориальная особенность отображалась в вектор вложения размерности d(embedding_dim = 256). Численные признаки стандартизировались с помощью нормализации Z-score и затем проецировались в то же пространство вложения через слой линейного преобразования, что позволяло совместную обработку с категориальными признаками.
Вложенные векторы признаков объединялись в последовательность токенов:
X = [x1,x 2,... xn]
где каждое xi ∈ R d представляет встроенный признак.
Кодировщик трансформатора
Конкатенированные вложения признаков проходили через стек слоёв кодировщиков трансформаторов (num_layers = 3). Каждый слой состоял из многоголовного самовнимания, за которым следовала сеть прямого сигнала по позициям.
Механизм многоголового самовнимания определяется как:
—> Внимание(Q,K,V) = softmax 
V
Где Q, K и V обозначают матрицы запроса, ключа и значения. Для захвата различных взаимодействий признаков использовались несколько голов внимания (num_heads = 8).
Каждый блок трансформатора включал многоголовную самоконцентрацию, остаточное соединение и нормализацию слоёв, сеть с прямой передачей, перерыв (скорость = 0,243).
Агрегация и классификация признаков
Выход последнего слоя трансформатора был сжат и проходил через многослойный перцептрон (MLP) для классификации. MLP состоял из одного или нескольких полностью связанных слоёв с нелинейными функциями активации.
Последний выходной слой использовал сигмовидную активационную функцию для получения предсказанной вероятности остеопороза:
—> 
= σ(z)
Где z — логитный выход.
Функция потерь и стратегия тренировки
Модель была обучена с использованием бинарных потерь кросс-энтропии:
—> L = −(1/N) Σ [ yi log(ŷi) + (1 −y i) log(1 − ŷi) ]
гдеy i обозначает истинную метку, а i — предсказанную вероятность.
Модель была оптимизирована с помощью оптимизатора Адама (скорость обучения = 1.9e-4, размер пакета = 64) для 100 эпох. Ранняя остановка применялась на основе валидационных показателей (терпение = 15), чтобы предотвратить перенагон. Для поддержки воспроизводимости все экспериментальные процедуры проводились с использованием постоянного случайного семя (семя = 42).
Интерпретируемость моделей
Для повышения интерпретируемости к обученной модели применялись SHapley Additive exPlanations (SHAP). Значения SHAP рассчитывались на тестовом наборе для количественной оценки вклада каждой особенности в прогнозируемый результат, что позволило интерпретировать поведение модели как на глобальном, так и на индивидуальном уровне.
Как показано на рисунке 1, рабочий процесс обобщает процесс от предварительной обработки данных MIMIC-IV до построения и классификации моделей. Архитектура TabTransformer фиксирует взаимодействия между гетерогенными табличными элементами через самосознание, а визуализация на основе SHAP предоставляет интерпретируемые представления о вкладе признаков. Эта структура позволяет провести внутренне валидированный анализ паттернов, связанных с остеопорозом, в гетерогенной нейрохирургической когорте спинного мозга.
Рисунок 1. Изучайте рабочие процессы и архитектуру моделей. Этот рисунок иллюстрирует общий дизайн исследования, включая отбор когорт, предварительную обработку данных, инженерию признаков, разделение наборов данных и разработку моделей. Также он обобщает архитектуру TabTransformer, используемую для классификации, включая встраивание признаков, слои кодировщиков Transformer и итоговый результат классификации. Включался только первый квалифицированный госпитализация на каждого пациента. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Результаты
Сравнение производительности модели
Мы сравнили предложенную модель TabTransformer с тремя базовыми моделями (XGBoost, LSTM с вниманием и Temporal Convolutional Networks [TCN]) на представленном тестовом наборе. Как показано на рисунке 2, TabTransformer достиг наивысшей дискриминационной производительности с AUC 0,953 (95% ДИ: 0,924–0,977), за ним следуют TCN (AUC = 0,937, 95% CI: 0,903–0,967), XGBoost (AUC = 0,857, 95% CI: 0,821–0,890) и...
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Обсуждение
В этом исследовании мы разработали модель TabTransformer на основе внимания для госпитальной классификации остеопороза у взрослых, проходящих нейрохирургические операции спинального мозга, и использовали SHapley Additive exPlanations (SHAP) для изучения основных переменных, определяющих результат модели (см. рисунок 5 и рисунок 6). Результаты SHAP показывают, что возраст был доминирующим фактором, за которым следуют повторяющиес...
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Раскрытие информации
У авторов нет конфликта интересов, которые можно было бы заявлять.
Благодарности
Авторы с благодарностью выражают финансовую поддержку от Программы руководства наукой и технологиями города Суцянь (грант No Z202342).
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Материалы
| Имя | Компания | Каталожный номер | Комментарии |
|---|---|---|---|
| Adam оптимизатор | PyTorch | Включен в PyTorch | Используется для обучения TabTransformer |
| Jupyter Notebook | Project Jupyter | Последняя доступная версия | Используется для разработки моделей и рабочего процесса анализа |
| База данных MIMIC-IV | PhysioNet | версия 3.1; https://physionet.org/content/mimiciv/3.1/ | Общественная анонимизированная база данных интенсивной терапии |
| Python | Python Software Foundation | Последняя доступная версия | Основная программная среда |
| PyTorch | PyTorch Foundation | Последняя доступная версия | Фреймворк для глубокого обучения, используемый для реализации TabTransformer |
| Программное обеспечение для управления реляционными базами данных | Navicat | версия 17.0; https://www.navicat.com.cn/ | Используется для извлечения данных из MIMIC-IV |
| scikit-learn | Разработчики scikit-learn | Последняя доступная версия | Используется для предварительной обработки, разделения данных и базовых моделей |
| SHAP | Разработчики SHAP | Последняя доступная версия | Используется для анализа интерпретации моделей |
| SMOTE | imbalanced-learn | Последняя доступная версия | Используется для перевыборки меньшинственных классов в обучающем наборе |
| XGBoost | Разработчики XGBoost | Последняя доступная версия | Модель для базового сравнения |
Ссылки
- Rachner, T. D., Khosla, S., Hofbauer, L. C. Osteoporosis: now and the future. Lancet. 377 (9773), 1276-1287 (2011).
- Khosla, S., Hofbauer, L. C. Osteoporosis treatment: recent developments and ongoing challenges. Lancet Diabetes Endocrinol. 5 (11), 898-907 (2017).
- Jiang, S. D., Dai, L. Y., Jiang, L. S. Osteoporosis after spinal cord injury. Osteoporos Int. 17 (2), 180-192 (2006).
- Kivrak, M., et al. The impact of the SMOTE method on machine learning and ensemble learning performance results in addressing class imbalance in data used for predicting total testosterone deficiency in type 2 diabetes patients. Diagnostics (Basel). 14 (23), 2634 (2024).
- Carvalho, F. R., Gavaia, P. J. Enhancing osteoporosis risk prediction using machine learning: a holistic approach integrating biomarkers and clinical data. Comput Biol Med. 192, 110289 (2025).
- Huang, X., Khetan, A., Cvitkovic, M., Karnin, Z. TabTransformer: tabular data modeling using contextual embeddings. arXiv. , (2020).
- Kapila, A., Takkar, A. Neurological disorders, corticosteroids, and fracture risk: hiding in the hindsight!. J Postgrad Med Educ Res. 56 (2), 61-62 (2022).
- Battaglino, R. A., Lazzari, A. A., Garshick, E., Morse, L. R. Spinal cord injury-induced osteoporosis: pathogenesis and emerging therapies. Curr Osteoporos Rep. 10 (4), 278-285 (2012).
- Landi, F., Liperoti, R., Russo, A., Giovannini, S., et al. Sarcopenia as a risk factor for falls in elderly individuals: results from the ilSIRENTE study. Clin Nutr. 31 (5), 652-658 (2012).
- Romagnani, P., et al. Chronic kidney disease. Nat Rev Dis Primers. 11 (1), 8 (2025).
- Liu, S., Liang, R. Synergistic impact of immuno-nutritional and hypoxia-metabolic disturbances on post-stroke epilepsy: a “two-hit” prediction model and web-based risk calculator. Front Nutr. 13, 1759899 (2026).
- Liu, S., Zhou, J. Trends and development of enhanced recovery after surgery programs in cranial and spinal neurosurgery. Neurochirurgie. 71 (5), 101704 (2025).
- Carvalho, F. R., Gavaia, P. J., Brito Camacho, A. OrthoMortPred: predicting one-year mortality following orthopedic hospitalization. Int J Med Inform. 192, 105657 (2024).
- Liu, S., Liang, R. Risk stratification for intracranial infection after high-grade gliomas surgery: a nomogram development and validation study. Front Oncol. 15, 1697966 (2025).
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Перепечатки и разрешения
Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE
Запросить разрешение