传统回归模型完胜机器学习？中国医大最新研究：预测骨质疏松，逻辑回归更胜一筹！

本研究比较了传统回归模型（逻辑回归）和四种机器学习方法（决策树、随机森林、支持向量机、极端梯度提升）在预测老年高心血管疾病风险人群骨质疏松症方面的表现。研究背景指出骨质疏松症已成为全球公共健康的重要议题，而现有研究多依赖传统回归模型。研究目的旨在比较不同预测模型的准确性，并探讨骨质疏松症的影响因素。研究结果显示，逻辑回归的AUC值为0.751，优于其他机器学习方法，且变量解读清晰，适合临床应用。此外，研究发现低钠盐饮食和拷贝数变异（特别是nssv659422）与骨质疏松症患病风险显著相关。