نهج تعلم آلي قابل للتفسير للتنبؤ بكسور هشاشة العظام وتحديد الميزات المهمة

في هذه الدراسة، قمنا بتطوير خوارزميات التعلم الآلي للتنبؤ بكسور هشاشة العظام، مع الأخذ في الاعتبار حدوث الكسور في مواقع هيكلية مختلفة، باستخدام بيانات من الدراسة الكندية متعددة المراكز حول هشاشة العظام (CaMos) مع مشاركين تبلغ أعمارهم 50 عامًا أو أكثر. اعتبرنا 73 سمة أساسية، وكانت النتيجة هي أول حالة حدوث كسر في أي من المواقع التالية: الورك، العمود الفقري، الحوض، الأضلاع، الكتف، والساعد. تم تقييم خوارزميات التعلم الآلي من حيث ROCAUC. تم إجراء تحليل SHapley Additive exPlanations (SHAP) لتحديد الميزات المهمة وللتحقيق في التفاعل بين هذه الميزات. تم تضمين 7753 مشاركًا في الدراسة. كانت حوالي 72٪ من النساء، وكان متوسط العمر 67 عامًا. وجدنا أن خوارزمية XGBoost كانت لديها ROCAUC أفضل قليلاً (0. 70؛ 95% CI 0. 67، 0. 73). من تحليل SHAP، وجدنا أن كثافة العظام (BMD) كانت السمة الأكثر أهمية وأن كثافة العظام الكلية للورك تفاعلت أكثر مع كثافة عنق الفخذ. أظهرت هذه الدراسة أن XGBoost كانت خوارزمية تعلم آلي متفوقة قليلًا في التنبؤ بكسور هشاشة العظام. بالإضافة إلى ذلك، حددنا ميزات مهمة تسهم في التنبؤ بكسور هشاشة العظام. سيساعد التدخل الذي يركز على هذه الميزات في منع حدوث هذه الكسور.