Разработка и валидация интерпретируемой модели машинного обучения для прогнозирования остеопороза по результатам стандартных анализов крови: ретроспективное когортное исследование

Введение: Двухэнергетическая рентгеновская абсорбциометрия (DXA) остаётся золотым стандартом диагностики остеопороза, однако её клиническое применение ограничено высокой стоимостью и доступностью. Целью настоящего исследования была разработка прогностической модели остеопороза на основе рутинно доступных клинических биомаркеров крови, что позволило бы создать инновационный и доступный подход к раннему выявлению заболевания.

Методы: Проведён ретроспективный анализ данных 8144 ортопедических пациентов, госпитализированных в больницу Паньжу при Гуанчжоуском университете традиционной китайской медицины и прошедших DXA в период с января 2022 года по декабрь 2023 года. Собирали демографические характеристики и результаты анализов крови, выполненных в первые 24 часа после госпитализации. Потенциальные предикторы выявляли с помощью однофакторного анализа, регрессии с оператором наименьшего абсолютного сжатия и выбора (LASSO) и алгоритма Boruta. Для построения прогностических моделей использовали 10 алгоритмов обучения с учителем. В тестовой выборке оценивали площадь под кривой (AUC), калибровочные графики, результаты анализа кривой принятия решений (DCA), точность, чувствительность и специфичность моделей. Для наглядной интерпретации вклада отдельных признаков применяли анализ SHAP (SHapley Additive exPlanations).

Результаты: Когорту случайным образом разделили на обучающую (n = 5702) и тестовую (n = 2442) выборки. Совпадение результатов отбора признаков по трём методам позволило выделить 11 ключевых предикторов. В тестовой выборке модель логистической регрессии показала наилучшие результаты (AUC = 0,800), превосходя другие алгоритмы по калибровке и показателям клинической полезности. Согласно анализу SHAP, наибольший вклад в прогноз вносили возраст, пол, концентрация мочевой кислоты, уровень щелочной фосфатазы, уровень гемоглобина и число нейтрофилов. Доступный онлайн-калькулятор риска размещён по адресу: https://op-lm.shinyapps.io/osteoporosis/ .

Выводы: Разработан удобный онлайн-калькулятор на основе машинного обучения, превосходящий традиционные модели и позволяющий пациентам проводить предварительный скрининг остеопороза по результатам стандартных анализов крови, выполненных в рамках профилактического обследования. Эта интерпретируемая модель машинного обучения показала многообещающие результаты и может способствовать совершенствованию скрининга остеопороза и стратификации риска в клинической практике.

Номер клинического исследования: не применимо.