相关实验视频
Updated: Jun 12, 2025
08:43
Imaging of the Microstructural Failure Mechanism in the Human Hip
Published on: September 29, 2023
779
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
Anjum Shaik1, Kristoffer Larsen2, Nancy E Lane3
1Department of Applied Computing, Michigan Technological University, 1400 Townsend Dr, Houghton, MI, 49931, United States of America.
Bone reports
|September 27, 2024
概括
在老年人中预测关节骨折至关重要. 使用临床数据和可选成像的新阶段方法显著提高了风险预测的准确性,同时减少了不必要的DXA扫描.
科学领域:
- 老年学和老年医学是老年学和老年医学.
- 医学成像分析 医学成像分析
- 医疗保健中的机器学习
背景情况:
- 关节骨折是老年人群发病和死亡的主要原因,通常是由于跌倒和骨质质量受损造成的.
- 及时的手术干预至关重要,但准确的风险预测仍然是医疗保健系统面临的挑战.
- 现有的方法可能无法充分利用先进的成像和机器学习来进行全面的风险评估.
研究的目的:
- 开发和评估一种新的分阶段方法,用于预测中年和老年人关节骨折风险.
- 为了比较使用临床变量的机器学习模型的性能与结合部DXA成像特征的模型.
- 评估分阶段方法在优化诊断途径和降低医疗保健成本方面的潜力.
主要方法:
- 分析了547名患者 (其中94名关节骨折) 的队列.
- 开发了两个整体机器学习模型:一个只有临床变量 (Ensemble 1),另一个具有临床和部DXA成像特征 (Ensemble 2).
- 使用集团1的不确定性量化创建了一个分阶段的方法,以确定部DXA成像对于个体风险预测的必要性.
主要成果:
- 2组 (临床+成像) 实现了最高的性能,AUC为0.95,准确度为0.92,灵敏度为0.81,特异性为0.94.
- 阶段模型表现出强的性能 (AUC 0.85,精度 0.86,特异性 0.92) 并表明54.49%的患者不需要DXA扫描.
- 1组 (仅临床) 的表现明显较低 (AUC为0.55,精度为0.73).
结论:
- 阶段式方法有效地识别高风险关节骨折的个体,同时尽量减少不必要的DXA扫描,提供一个具有成本效益的解决方案.
- 整合临床变量与先进的部DXA成像功能,特别是通过机器学习,显著提高部骨折预测.
- 这种方法有望指导预防性干预,降低诊断成本,并限制风险人群的辐射暴露.
