深度学习产生的脂肪,肌肉和骨测量从腹部计算机断层扫描和20岁或以上的人跌倒风险之间的关联

科学领域:

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

背景情况:

• 跌倒风险是成年人关注的一个重要问题,影响了移动性和生活质量.
• 腹部计算机断层扫描 (CT) 提供了详细的身体成分数据,但其与跌倒风险的关联尚未完全理解.
• 通过CT评估身体成分可能为预防跌倒的策略提供新的见解.

研究的目的:

• 调查腹部CT衍生体质测量与20-89岁成年人中跌倒风险之间的关联.
• 识别特定的身体组成生物标志物,预测跌倒风险.
• 为了探索与年龄相关的差异,身体组成和跌倒之间的关联.

主要方法:

• 在罗切斯特流行病学项目 (2010-2020) 中,利用了3972名 (20-89岁) 个体的腹部CT扫描.
• 采用深度学习算法来量化皮下脂肪组织,内脏脂肪组织,骨肌面积和密度,脊椎骨面积和密度.
• 使用考克斯比例危险模型评估跌倒风险,根据体重指数和慢性疾病进行调整,并通过ICD代码和图表审查识别跌倒.

主要成果:

• 脂肪或骨测量与跌倒风险之间没有发现显著的关联 (所有调整后的P>0.05).
• 较低的骨肌密度与较高的跌倒风险有显著的相关性 (调整HR为最低的三位数与中位数:2.31).
• 低肌肉密度和跌倒之间的关联在45-64岁年龄组中最为明显 (调整HR:4.98).

结论:

• 腹部CT衍生的肌肉密度是潜在的跌倒风险生物标志物.
• 减少肌肉密度可能表明潜在的生理变化导致跌倒,即使在中年.
• 这些发现表明,基于CT的肌肉密度评估可能有助于早期识别有较高跌倒风险的个体.