使用机器学习和电磁波进行骨质疏松症查

科学领域:

• 生物医学工程 生物医学工程
• 医疗成像医学成像
• 数据科学数据科学数据科学

背景情况:

• 骨质疏松症由于骨折而对全球健康和经济产生重大影响.
• 双能X射线吸收计 (DXA) 是诊断标准,但在许多地区是昂贵和难以获得的.
• 需要易于使用,低成本的骨质疏松症查工具.

研究的目的:

• 评估奥塞乌斯的性能,一个新的,低成本的便携式设备用于骨质疏松症查.
• 评估机器学习模型在使用骨测量和风险因素预测骨矿物质密度方面的有效性.
• 为了比较基于骨的查与DXA,目前的黄金标准.

主要方法:

• 骨装置通过中指的中间来测量信号减弱.
• 包括Random Forest在内的监督分类模型使用骨数据和患者风险因素进行训练.
• 双能X射线吸收度 (DXA) 结果作为模型训练和验证的基本真理.
• 使用了505名患者的数据集,进行了5倍的交叉验证,20%用于测试.

主要成果:

• 性能最好的模型,随机森林,实现了0.853的灵敏度,0.879的特异性,F1得分为0.859.
• 随机森林模型发现的关键预测因素是年龄,体重指数和骨信号衰减.
• 这项研究证明了Osseus与机器学习结合用于骨质疏松症查的有效性.

结论:

• 骨装置与随机森林分析相结合,为早期骨质疏松症查提供了一种有效且易于使用的方法.
• 这种方法可以显著降低与骨质疏松症诊断,治疗和住院相关的医疗保健成本.
• 通过可访问的查进行早期检测,可以通过及时干预来改善患者的生活质量.