基于体检数据的肌少症患病风险预测

利用体检数据预测肌少症的患病风险,探索预测肌少症的重要因素,以实现肌少症的早期诊断.基于2019年上海某医院的5641名人员的体检数据,利用Wilcoxon秩和检验和卡方检验找出差异显著的特征,使用8种机器学习方法对是否患有肌少症进行预测.采用受试者操作曲线下面积(AUC)评价模型预测效果,建立较优的肌少症预测模型,并利用特征评分寻找预测肌少症的重要因素.LightGBM(Light-gradient boosting machine)、随机森林和逻辑回归预测效果较优,测试集AUC值达到0.93以上.模型确定了年龄、体质量、身高、身体质量指数(body mass index,BMI)、腰围、臀围、舒张压以及平均红细胞血红蛋白量、高密度脂蛋白、平均红细胞体积、红细胞、甘油三酯是预测肌少症的重要因素,体格检查、血检指标、血常规、肝肾功能、生活习惯和一般信息是预测肌少症重要体检项目.文章建立了有效的肌少症患病风险预测模型,确定了预测肌少症的重要因素和体检项目,在一定程度上有助于肌少症患者的管理.

基于纵向体检数据的肌少症预测研究

目的肌少症是老年群体的常发疾病,高效地识别肌少症是保障老年群体健康的重要手段。方法基于上海市某医院共计2544例被试者,根据2013―2019年选取纵向体检数据,结合年度指标的差值作为特征,构建不同的机器学习模型对老年人肌少症风险进行预测,并使用决策曲线分析,为临床决策者提供参考。结果预测模型结果显示,基于Light Gradient Boosting Machine(LightGBM)模型的预测准确率较高,受试者工作特征(receiver operating characteristic,ROC)曲线下面积(area under curve,AUC)达到0.9134。决策曲线分析(decision curve analysis,DCA)表明,阈概率(判定肌少症的阈值)在0.01~0.42和0.84~0.92内,LightGBM模型的净收益较大;阈概率在0.42~0.50和0.60~0.67内,随机森林(random forest,RF)模型净收益较大;阈概率在0.50~0.60和0.67~0.84内,逻辑回归(logistic regression,LR)模型净收益较大。结论基于纵向体检数据和机器学习方法建立的预测模型可以有效地预测老年人未来肌少症的患病风险,对肌少症的早期诊断和干预具有重要价值。