相关实验视频
Updated: Jul 11, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.7K
基于CT图像的生物标志物,由基于AI的算法获取,用于机会性预测跌倒
Daniel Liu1, Neil C Binkley2, Alberto Perez1
1Department of Radiology, University of Wisconsin School of Medicine & Public Health, Madison, WI, USA.
BJR open
|November 13, 2023
概括
通过对CT扫描进行人工智能驱动的分析,可以通过评估身体组成来预测未来的跌倒风险. 这种方法可以识别低肌肉,高脂肪和低骨密度的个体,从而实现主动干预.
科学领域:
- 放射学和医学成像学 医学成像学
- 老年学是一门学科.
- 医疗保健中的人工智能
背景情况:
- 由于有限的验证临床工具,预测未来的跌倒风险具有挑战性.
- 人工智能 (AI) 提供了新的方法来分析医疗成像风险分层.
研究的目的:
- 评估CT扫描中自动化AI算法的生物标志物是否可以预测未来的跌倒风险.
- 评估基于人工智能的身体成分分析对识别高风险跌倒的个体的有用性.
主要方法:
- 一项回顾性病例控制研究包括9029名接受腹部CT的患者.
- 自动化的AI算法从L1CT扫描中量化了骨肌肉,脂肪组织和骨衰减.
- 危险比率 (HRs) 和接收器操作特征曲线 (AUROC) 下的面积用于分析.
主要成果:
- 低肌肉衰减 (HR 1.82) 和低骨衰减 (HR 1.91) 是跌倒的重要预测因素.
- 较高的总脂肪面积 (HR 1.31) 也表明跌倒风险增加.
- 结合CT生物标志物改善了10年下降预测 (AUROC 0.657).
结论:
- 基于CT的肌肉,脂肪和骨的自动机会性测量是跌倒风险分层的新.
- 这种人工智能驱动的方法可以识别患有骨髓硬化肥胖症的患者,这是跌倒的潜在风险因素.
- 通过人工智能利用偶然的CT数据,提高了对患者跌倒风险的评估.
