DOI: https://doi.org/10.52436/1.jutif.2026.7.1.5297
تاريخ النشر: 2026-02-15
المؤلف: Edwardo Parlindungan H وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية
نظرة عامة
تدرس هذه الدراسة فعالية خوارزميات التعلم الآلي الجماعي، وتحديداً AdaBoost وRandom Forest، في التنبؤ بمخاطر هشاشة العظام في بيئات الرعاية الصحية ذات الموارد المحدودة، مع التركيز على سكان جنوب شرق آسيا. باستخدام مجموعة بيانات تتكون من 1,958 سجلًا مع 15 سمة ديموغرافية ونمط حياة، استخدم الباحثون طريقة التحقق المتداخل بخمس طيات وتحسين المعلمات. شملت مقاييس الأداء الدقة، الدقة، الاسترجاع، درجة F1، والفائدة السريرية، حيث أظهرت AdaBoost نتائج متفوقة: دقة تبلغ 86.90% (95% CI: 84.2-89.6%) ودقة مثالية (1.00)، مقارنة بدقة Random Forest التي بلغت 84.69% ودقة 0.92. أظهرت التحليلات الإحصائية ميزة كبيرة لـ AdaBoost (p=0.032).
علاوة على ذلك، أدى التطبيق السريري لنموذج AdaBoost في ثلاثة مراكز صحية إلى تقليل بنسبة 60% في الإحالات غير الضرورية، مما يبرز فائدته العملية. تمثل هذه الدراسة أول تحليل مقارن لهذه الخوارزميات في التنبؤ بمخاطر هشاشة العظام في سكان جنوب شرق آسيا، مع دمج التحقق السريري وتحليل التكلفة، مما يوفر حلاً قابلاً للتطبيق لبيئات الرعاية الصحية ذات الموارد المحدودة.
مقدمة
في إندونيسيا، تشكل هشاشة العظام خطرًا صحيًا كبيرًا، خاصة بالنسبة للنساء فوق سن الخمسين، حيث تحدث كسور كل ثلاث دقائق بسبب المرض. تقدر منظمة الصحة العالمية أن حوالي 200 مليون امرأة على مستوى العالم متأثرة، حيث تعاني واحدة من كل ثلاث نساء من كسور هشاشة العظام في حياتها. غالبًا ما تكون الحالة بدون أعراض في مراحلها المبكرة، مما يبرز الحاجة إلى استراتيجيات فعالة للتنبؤ المبكر والإدارة. الطرق التشخيصية التقليدية، مثل قياس كثافة العظام بالأشعة السينية ثنائية الطاقة (DXA)، ليست دائمًا متاحة، مما يثير الاهتمام بالتعلم الآلي (ML) كبديل قابل للتطبيق لتنبؤ المرض وتشخيصه.
أظهرت التقدمات الأخيرة في ML نتائج واعدة في مجالات طبية متنوعة، بما في ذلك التنبؤ بهشاشة العظام. اكتسبت الطرق الجماعية مثل Random Forest وAdaBoost اهتمامًا لأدائها المتفوق في مهام التصنيف، خاصة في التعامل مع مجموعات البيانات المعقدة وغير المتوازنة التي تكون نموذجية في الرعاية الصحية. تشير الدراسات إلى أن هذه الخوارزميات يمكن أن تحقق معدلات دقة عالية، حيث وصلت Gradient Boosting إلى 91.07% وحققت AdaBoost 92.01% في التنبؤ بهشاشة العظام. ومع ذلك، لا يزال هناك فجوة في البحث يقارن مباشرة بين هذه الطرق لتنبؤ هشاشة العظام بناءً على عوامل نمط الحياة المحددة لجنوب شرق آسيا، بالإضافة إلى نقص في التحقق السريري وتحليل التكلفة اللازم للتطبيق العملي في البيئات ذات الموارد المحدودة. تهدف هذه الدراسة إلى معالجة هذه الفجوات من خلال تقديم مقارنة مصممة خصيصًا بين Random Forest وAdaBoost، مع التركيز على قابليتهما للتطبيق في السياق الإندونيسي.
مناقشة
تقارن الدراسة بشكل منهجي أداء خوارزميات AdaBoost وRandom Forest في التنبؤ بمخاطر هشاشة العظام، مع معالجة قيود الطرق التشخيصية التقليدية مثل فحوصات DXA. تم الحصول على مجموعة بيانات شاملة تتكون من 1,958 سجلًا من Kaggle، مع التركيز على عوامل نمط الحياة التي تؤثر على هشاشة العظام. استخدمت الدراسة معالجة بيانات صارمة، بما في ذلك الترميز الأحادي الساخن وتطبيع MinMaxScaler، لضمان جودة البيانات العالية وملاءمتها. أشارت النتائج إلى أن AdaBoost تفوقت على Random Forest، حيث حققت دقة تبلغ 86.90% مقارنة بـ 84.69%، مع دقة مثالية (1.00) ودرجة F1 أعلى (0.85). يُعزى هذا الأداء إلى قدرة AdaBoost على تقليل التحيز مع الحفاظ على تباين قابل للإدارة، وهو أمر حاسم لمهام التصنيف الطبي.
تؤكد النتائج على الأهمية السريرية للمؤشرات المحددة، مثل العمر، والتغيرات الهرمونية، وعوامل نمط الحياة مثل تناول الكالسيوم والنشاط البدني. تبرز الدراسة أهمية دمج كل من عوامل الخطر القابلة للتعديل وغير القابلة للتعديل في الممارسة السريرية، مما يشير إلى أن التدخلات المتعلقة بنمط الحياة يمكن أن تؤثر بشكل كبير على مخاطر هشاشة العظام. تجعل دقة AdaBoost المتفوقة مناسبة بشكل خاص للفحص السريري، مما يقلل من الإيجابيات الكاذبة ويعزز موثوقية التوصيات التشخيصية الإضافية. بشكل عام، تدعم الدراسة إمكانية نماذج التعلم الآلي في تحسين التنبؤ بمخاطر هشاشة العظام وتوجيه استراتيجيات الوقاية الشخصية في بيئات الرعاية الصحية.
القيود
تقدم الدراسة نتائج واعدة؛ ومع ذلك، من المهم الاعتراف بعدة قيود. مجموعة البيانات المستخدمة محددة لفئة ديموغرافية معينة، مما قد يحد من إمكانية تعميم النتائج على مجموعات عرقية أو مناطق جغرافية أخرى. لتعزيز قوة النتائج، ينبغي أن تهدف الأبحاث المستقبلية إلى التحقق من هذه النتائج عبر مجموعة أوسع من السكان والبيئات السريرية.
علاوة على ذلك، تركز التحليل الحالي على عوامل نمط الحياة ولكن لا تشمل العلامات الحيوية المتقدمة أو العلامات الجينية، التي يمكن أن تحسن دقة التنبؤ. تشمل الاتجاهات المستقبلية للبحث استكشاف طرق جماعية إضافية، مثل Gradient Boosting أو XGBoost، ودمج البيانات الزمنية لمراقبة تقدم المخاطر بمرور الوقت. بالإضافة إلى ذلك، يمكن أن يؤدي تطوير تطبيقات قائمة على الويب للاستخدام السريري واستخدام تقنيات معالجة متقدمة مثل SMOTE لمعالجة عدم التوازن في الفئات إلى تحسين أداء النموذج بشكل كبير، خاصة في مجموعات البيانات ذات التوزيعات المنحرفة.
DOI: https://doi.org/10.52436/1.jutif.2026.7.1.5297
Publication Date: 2026-02-15
Author(s): Edwardo Parlindungan H et al.
Primary Topic: Artificial Intelligence in Healthcare
Overview
This study investigates the efficacy of ensemble machine learning algorithms, specifically AdaBoost and Random Forest, for predicting osteoporosis risk in resource-constrained healthcare environments, focusing on a Southeast Asian population. Utilizing a dataset of 1,958 records with 15 demographic and lifestyle attributes, the researchers employed nested 5-fold cross-validation and hyperparameter optimization. Performance metrics included accuracy, precision, recall, F1-score, and clinical utility, with AdaBoost demonstrating superior results: an accuracy of 86.90% (95% CI: 84.2-89.6%) and perfect precision (1.00), compared to Random Forest’s accuracy of 84.69% and precision of 0.92. Statistical analysis indicated a significant advantage for AdaBoost (p=0.032).
Furthermore, the clinical implementation of the AdaBoost model in three health centers resulted in a 60% reduction in unnecessary referrals, highlighting its practical utility. This research represents the first comparative analysis of these algorithms for osteoporosis risk prediction in Southeast Asian populations, incorporating clinical validation and cost-effectiveness analysis, thereby offering a deployable solution for healthcare settings with limited resources.
Introduction
In Indonesia, osteoporosis poses a significant health risk, particularly for women over 50, with a fracture occurring every three minutes due to the disease. The World Health Organization estimates that approximately 200 million women globally are affected, with one in three experiencing osteoporotic fractures in their lifetime. The condition is often asymptomatic in its early stages, underscoring the need for effective early prediction and management strategies. Traditional diagnostic methods, such as Dual-Energy X-ray Absorptiometry (DXA), are not always accessible, prompting interest in machine learning (ML) as a viable alternative for disease prediction and diagnosis.
Recent advancements in ML have shown promising results in various medical domains, including osteoporosis prediction. Ensemble methods like Random Forest and AdaBoost have gained attention for their superior performance in classification tasks, particularly in handling complex and imbalanced datasets typical in healthcare. Studies indicate that these algorithms can achieve high accuracy rates, with Gradient Boosting reaching 91.07% and AdaBoost achieving 92.01% in osteoporosis prediction. However, there remains a gap in research directly comparing these methods for osteoporosis prediction based on lifestyle factors specific to Southeast Asia, as well as a lack of clinical validation and cost analysis necessary for practical application in resource-limited settings. This study aims to address these gaps by providing a tailored comparison of Random Forest and AdaBoost, focusing on their applicability within the Indonesian context.
Discussion
The research systematically compares the performance of AdaBoost and Random Forest algorithms for predicting osteoporosis risk, addressing the limitations of traditional diagnostic methods like DXA scans. A comprehensive dataset of 1,958 records was sourced from Kaggle, focusing on lifestyle factors influencing osteoporosis. The study employed rigorous data preprocessing, including One-Hot Encoding and MinMaxScaler normalization, ensuring high data quality and relevance. The results indicated that AdaBoost outperformed Random Forest, achieving an accuracy of 86.90% compared to 84.69%, with perfect precision (1.00) and a higher F1-score (0.85). This performance is attributed to AdaBoost’s ability to reduce bias while maintaining manageable variance, crucial for medical classification tasks.
The findings underscore the clinical relevance of the identified predictors, such as age, hormonal changes, and lifestyle factors like calcium intake and physical activity. The study highlights the importance of integrating both modifiable and non-modifiable risk factors in clinical practice, suggesting that lifestyle interventions can significantly impact osteoporosis risk. AdaBoost’s superior precision makes it particularly suitable for clinical screening, minimizing false positives and enhancing the reliability of further diagnostic recommendations. Overall, the research supports the potential of machine learning models in improving osteoporosis risk prediction and guiding personalized prevention strategies in healthcare settings.
Limitations
The study presents promising findings; however, it is important to recognize several limitations. The dataset utilized is specific to a particular demographic, which may limit the generalizability of the results to other ethnic groups or geographical regions. To enhance the robustness of the findings, future research should aim to validate these results across a broader range of populations and clinical environments.
Moreover, the current analysis emphasizes lifestyle factors but does not include advanced biomarkers or genetic markers, which could potentially improve prediction accuracy. Future directions for research include the exploration of additional ensemble methods, such as Gradient Boosting or XGBoost, and the incorporation of temporal data to monitor risk progression over time. Additionally, developing web-based applications for clinical use and employing advanced preprocessing techniques like SMOTE to address class imbalance could significantly enhance model performance, particularly in datasets with skewed distributions.