摘要
目的 建立并验证简单易得的临床实验室指标预测骨质密度减低的风险模型，提高临床对骨质密度减低的关注。 方法 收集2018年8月至2022年1月期间在赤峰市医院行双能X线骨密度检查同时进行血常规、尿常规及肝肾功能电解质血糖等生化指标的所有检查者的相关临床资料做为机器学习的训练数据;收集2022年2月至2022年6月期间在赤峰市医院同样行上述检查项目所有患者的相关临床资料做为本研究机器学习的验证数据。根据双能X线骨密度检查结果将各数据集分为骨密度正常组及骨密度减低组。通过对训练数据进行t检验、LASSO回归、logistics回归筛选有统计学意义的临床实验室指标进行模型构建，建立预测骨密度减低列线图，将模型可视化，同时量化各指标对预测骨密度减低的贡献度，通过ROC曲线、校正曲线、DCA曲线及CIC曲线验证列线图的预测效能。 结果 1、训练数据共收集3050名患者:骨密度减低组1525人，骨密度正常组1525人;验证数据共收集497名患者:骨密度减低组261人，骨密度正常组236人;合计纳入59项临床及实验室指标。 2、通过t检验筛选出41项特征进入LASSO回归，进一步筛选出11项特征进入Logistic回归，最终Logistic多因素回归分析获得6项与骨质密度减低相关指标:年龄(OR:1.0157;P＜0.0001)、红细胞平均体积(OR:1.0087;P＜0.0001)、血液碱性磷酸酶(OR:1.0025;P＜0.0001)与骨质密度减低呈正相关，嗜酸性粒细胞比率(OR:0.9846;P＜0.0001)、血尿酸(OR:0.9997;P＜0.0001)及男性(OR:0.8771;P＜0.0001)为骨质密度的保护性因素。 3、将得出的6项指标进行骨密度异常模型构建，绘制列线图将模型可视化。通过列线图可分别显示各指标对骨质密度减低的贡献度，以Point10分为例，女性、年龄每增加8岁、嗜酸性粒细胞每减少8％、红细胞平均体积每增加13fl、碱性磷酸酶每增加40IU/L和尿酸每减少400μmol/L,相应的骨密度减低风险增加值相似。 4、模型对训练数据进行内部验证，预测分析ROC的AUC为0.848,灵敏度及特异度分别为0.796和0.765;模型对验证数据进行外部验证，预测分析ROC的AUC为0.806,其灵敏度和特异度分别是0.686,0.793;校准曲线的预测概率与实际概率相近，提示该模型区分度、准确度较好。DCA曲线及CIC曲线均体现了预测模型具有良好的临床应用价值。 结论 1、年龄、性别、红细胞平均体积、血液碱性磷酸酶、嗜酸性粒细胞比率、血尿酸6项指标为骨质密度减低的重要预测因素。 2、上述6项指标构建骨密度异常模型预测精度可靠、区分度高。 3、通过上述6项指标绘制的列线图能够量化受检者的骨密度减低的风险及其相关预测贡献度。
NETL