使用机器学习和不确定性定量化的分阶段方法来预测部骨折风险

科学领域:

• 老年医学 老年医学
• 放射学 放射学是一门学科.
• 生物医学工程 生物医学工程

背景情况:

• 关节骨折是老年人群的主要健康问题,通常是跌倒造成的,导致显著的发病率和死亡率.
• 目前用于预测关节骨折风险的方法需要改进,特别是考虑到诸如骨质受损等因素.

研究的目的:

• 开发和评估一种新的分阶段模型,用于预测中年和老年人关节骨折风险.
• 通过将先进的成像功能与临床数据相结合,提高预测性能.

主要方法:

• 一个分阶段的机器学习模型是使用两个组合模型开发的:一个是临床变量,另一个是DXA成像功能.
• 卷积神经网络 (CNN) 被用来从部DXA图像中提取特征.
• 仅从临床模型中量化不确定性指导了将DXA特征纳入的决定.

主要成果:

• 采用DXA功能 (Ensemble 2) 的模型实现了最高的性能,AUC为0.9541.1.
• 阶段模型表现出强的性能 (AUC 0.8486),并表明54.49%的患者可能不需要DXA扫描.
• 阶段模型显著优于仅使用临床变量 (AUC 0.5549) 的模型.

结论:

• 拟议的分阶段模型为预测关节骨折风险提供了一种强大且具有成本效益的方法.
• 这种方法可以准确地识别有风险的个体,同时减少对潜在不必要的DXA扫描的需求,节省成本和辐射暴露.
• 该模型提供了对患者健康的整体观点,指导关节骨折预防的有针对性的干预措施.