Machine Learning Prediction for Functional Impairment, Falls, and Fractures in Postmenopausal Women
Notice bibliographique
Résumé
Abstract Machine learning-based prediction models have gained support for their robustness and flexibility, particularly with complex data common in geriatrics research. They may be well-suited to studying complex aging questions, such as predicting functional status among postmenopausal women. The objective of this study is to develop an interactive prediction model for prevalent, clinically relevant, geriatric health outcomes: functional impairment, falls, and fractures. We simulated a dataset (n = 20,000) to emulate baseline characteristics of the Women’s Health Initiative (WHI) study population, a large study of postmenopausal women. The simulated dataset had a mean age of 63.2 years (SD: 7.25), 82.4% non-Hispanic White. Maximum follow-up was 25 years. We examined random survival forest, XGBoost, and Lasso-Cox models. Models were trained and compared across multiple domain-specific feature sets comprising demographic, socioeconomic, behavioral, functional, and health-related features, selected from existing evidence, with time-dependent ROC-AUC, calibration, and Brier score. SHapley Additive exPlanations (SHAP) guided feature selection. The random survival forest outperformed other models in predicting functional impairment, falls, and fractures. Reduced models incorporating 30 features demonstrated comparable performance relative to the comprehensive models with 57 features, while improving computational efficiency. These reduced models demonstrated strong discrimination (ROC-AUCs >0.80) and predictive accuracy (Brier scores < 0.10) across most time points and were subsequently deployed in the interactive application. This study demonstrates the utility of machine learning-based prediction to guide targeted interventions by capturing the complex, heterogeneous nature of geriatric health outcomes. Deploying such advanced models into a user-friendly application may support data-driven decision-making in geriatric clinical practice.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».