Comparison of Machine Learning Methods to Predict Incomplete Atypical Femoral Fracture After Bisphosphonate Use in Postmenopausal Women

Abstract

Objective: Long-term use of bisphosphonates (BP) for treating osteoporosis may cause incomplete atypical femoral fracture. In this study, we compared the classification and risk estimation of incomplete atypical femoral fractures, which is an alternative approach to clinical risk assessment.Materials and Methods: A data set was randomly selected from women using postmenopausal BP. We identified a class imbalance problem in the population and created a balanced structure using the density-based synthetic minority over-sampling technique. We compared machine learning algorithms and conducted a case study.Results: We solved the class imbalance problem with the density-based synthetic minority over-sampling technique and found that the random forest and adaboost methods achieved the highest performance in the classification step.Conclusion: It is recommended to apply resampling methods in cases where there is an unbalanced class problem such as incomplete atypical femoral fracture. Ensemble methods perform better than traditional methods in this study.

Amaç: Bifosfonatların (BP) osteoporoz tedavisinde uzun süreli kullanımı tam olmayan atipik femur kırığına neden olabilir. Bu çalışmada, tamamlanmamış atipik femur kırıklarının sınıflandırılması ve risk tahmini için gelişmiş makine öğrenimi modellerinin performansını karşılaştırmayı amaçlanmaktadır. Gereç ve Yöntemler: Veri seti, menopoz sonrası BP kullanan kadınların rastgele bir alt kümesini içerir. Popülasyonda bir sınıf dengesizliği sorunu belirledik ve yoğunluğa dayalı sentetik azınlık aşırı örnekleme tekniği kullanarak dengeli bir yapı oluşturduk. Makine öğrenmesi algoritmalarını karşılaştırdık ve bir olgu çalışması gerçekleştirdik. Bulgular: Bu çalışmada, geleneksel lojistik regresyon yaklaşımını birkaç gelişmiş topluluk öğrenme yöntemiyle karşılaştırılmıştır verastgele orman ve Adaboost yöntemlerinin en iyi tahmin performansını elde ettiği sonucuna varılmıştır. Sonuç: Bu çalışmada, atipik femur kırığını tahmin etmek için tekrarlanabilir bir makine öğrenimi iş akışı gösterilmiştir. Gelişmiş tahmine dayalı modeller, geleneksel modellerle karşılaştırılmış ve bunların geleneksel modellerden daha iyi performans gösterdiğini gösterilmiştir