骨质疏松症是老龄化社会面临的重大公共卫生问题，其诊断主要依赖具有放射性的双能X线吸收检测（DXA）。本项目旨在建立一种无创、快速的骨质疏松症机器学习预测模型。采用横断面研究方法，基于韩国国家健康与营养调查（KNHANES）2008-2011年数据集进行分析。以原始数据中的DXA检测T值作为结局指标，将异常DXA结果（包括骨量减少和骨质疏松）纳入研究。通过包含梯度提升（GradientBoost）、分类提升（CatBoost）和极限梯度提升（XGBoost）三种算法的机器学习模型预测DXA结果，其中二分类模型性能主要采用受试者工作特征曲线下面积（AUC）评估，多分类模型性能通过准确率（ACC）进行比较。本项目共纳入18,179名参与者（开发数据集14,747人，外部验证数据集3,432人）。全部受试者中11,742人（64.6%）DXA结果正常。经筛选后，我们建立了包含人口统计学资料、体格检查指标和营养问卷数据三大类变量的机器学习模型。最终模型预测DXA异常的AUC达0.845（95%CI：0.831-0.861），特异度（SPE）为0.897（95%CI：0.893-0.902）；外部验证集的AUC为0.876（95%CI：0.874-0.877），特异度为0.909（95%CI：0.906-0.912）。在进一步区分正常、骨量减少和骨质疏松的三分类模型中，准确率达0.724（95%CI：0.717-0.736），特异度为0.803（95%CI：0.797-0.813）；外部验证集的准确率为0.744（95%CI：0.742-0.846），特异度为0.819（95%CI：0.818-0.821）。该成果有助于在人群尤其是社区层面开展DXA异常早期筛查，不仅可减少不必要的放射性检查，还能为后续专科诊疗提供支持。