Fracture Risk Prediction in Adults Over 50 Years Old Using DXA and EHR: Comparison of Traditional and Machine Learning Models in Two Large Cohorts
Diese Studie zeigt, dass Machine-Learning- und penalisierte Cox-Regressionsmodelle, die elektronische Gesundheitsakten und DXA-Daten nutzen, das herkömmliche FRAX-Tool bei der Vorhersage des Frakturrisikos bei Erwachsenen über 50 signifikant übertreffen, obwohl vor einer klinischen Implementierung weitere Validierungen erforderlich sind.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Ihr Körper wäre eine belebte Stadt und Ihre Knochen wären die Wolkenkratzer, die alles aufrecht halten. Im Laufe der Zeit können diese Wolkenkratzer, genau wie alte Gebäude, schwach und brüchig werden. Wenn sie zu schwach werden, kann selbst ein kleiner Stoß oder ein einfacher Stolperer dazu führen, dass sie zerbröckeln. Das ist das, was passiert, wenn ältere Erwachsene eine „Fragilitätsfraktur“ erleiden. Ärzte verfügen über ein langjähriges Werkzeug, um vorherzusagen, welche Gebäude gefährdet sind, genannt FRAX. Es ist wie ein Standard-Wetterbericht, der die Grundlagen betrachtet: Ihr Alter, Ihre Größe, Ihr Gewicht und ob Sie schon einmal einen Sturm (einen Knochenbruch) erlebt haben. Es ist gut, aber es ist ein wenig so, als würde man das Wetter mit einer Papierkarte prüfen; es übersieht den Echtzeit-Verkehr, die Baustellen und die plötzlichen Windböen, die gerade stattfinden könnten.
In den letzten Jahren haben Krankenhäuser angefangen, Berge von digitalen Daten zu sammeln, wie das gesamte Verkehrsüberwachungsnetz und die Wartungsprotokolle einer Stadt, die in einer sogenannten elektronischen Patientenakte (EHR) gespeichert sind. Diese Arbeit stellt eine große Frage: Wenn wir die alte Wetterkarte (FRAX) mit diesem massiven, digitalen Echtzeit-Verkehrsnetz (der EHR) und einem speziellen Knochenscan (DXA) kombinieren, können wir Knochenbrüche besser vorhersagen? Die Forscher wollten sehen, ob ein Computer aus all diesen zusätzlichen Daten lernen kann, um Gefahrenzeichen zu erkennen, die die alte Karte übersehen hat, speziell für Menschen über 50, die bereits einen Knochenscan hatten.
Das Team, unter der Leitung von Forschern aus New York und Indiana, beschloss, eine neue Art von „Kristallkugel“ für die Knochengesundheit zu bauen. Sie sammelten Daten aus zwei riesigen Gruppen von Menschen: einer Gruppe von New York-Presbyterian/Weill Cornell Medical Center (das „Entwicklungsteam“) und einer anderen aus dem Indiana Network for Patient Care (das „Testteam“). Sie betrachteten über 11.000 Erwachsene in New York und fast 2.000 in Indiana, die eine DXA-Messung durchgeführt hatten. Dieser Scan ist wie ein hochtechnologisches Röntgenbild, das misst, wie dicht Ihre Knochen sind, und einen „T-Score“ liefert, der angibt, wie stark Ihre Wolkenkratzer im Vergleich zu einem gesunden jungen Erwachsenen sind.
Die Forscher fütterten ihre Computermodelle mit einer Mischung aus Zutaten. Sie nahmen die Standarddinge (Alter, Geschlecht, Rauchen, Alkohol) und fügten die „Geheimzutat“ hinzu, die in den digitalen Akten zu finden ist: eine lange Liste anderer Gesundheitsprobleme (wie Diabetes oder Arthritis), eine Vorgeschichte von Medikamenten, die die Knochen schwächen könnten (wie Steroide) und eine Vorgeschichte früherer Frakturen. Sie schnappten sich auch die spezifischen T-Scores aus den DXA-Berichten. Dann ließen sie zwei Arten von Vorhersage-Engines gegeneinander antreten. Die erste war eine „traditionelle“ Engine, eine statistische Methode namens Cox-Regression, die wie ein sehr sorgfältiger, regelbefolgender Buchhalter ist. Die zweite war eine Reihe von „Machine Learning“-Engines, einschließlich Random Survival Forests und Gradient Boosting, die wie superintelligente Detektive sind, die in der Lage sind, verborgene Muster und Verbindungen zu entdecken, die Menschen entgehen könnten.
Die Ergebnisse waren aufregend. Als das Team seine neuen Modelle gegen das alte FRAX-Tool testete, waren die neuen Modelle signifikant besser darin, vorherzusagen, wer einen Knochen brechen würde. In der New Yorker Gruppe ordnete das beste traditionelle Modell (der „Buchhalter“) das Bruchrisiko etwa 78 % der Zeit korrekt ein (ein Wert von 0,7,79), während das alte FRAX-Tool es nur etwa 65 % der Zeit richtig machte (0,653). Es ist, als ob das neue Modell die Risse im Fundament sehen konnte, die die alte Karte völlig übersehen hat.
Als das Team sein New Yorker Modell an der Indiana-Gruppe testete (einer völlig anderen Gruppe von Menschen), hielt es sich immer noch gut und erreichte einen Wert von etwa 71 %, während FRAX auf 59 % abfiel. Interessanterweise, während das traditionelle „Buchhalter“-Modell in der ersten Gruppe der Champion war, nahm ein Machine-Learning-Detektiv namens „Gradient Boosting“ in der zweiten Gruppe tatsächlich den Spitzenplatz ein und erreichte 72,5 %. Dies deutet darauf hin, dass, während die einfachen, regelbasierten Modelle sehr zuverlässig sind, die superintelligenten KI-Detektive in der Lage sein könnten, noch subtilere Hinweise zu finden, wenn sie auf neue, unterschiedliche Gruppen schauen.
Die Autoren sind jedoch vorsichtig, noch keinen Gesamtsieg zu erklären. Sie weisen darauf hin, dass diese Modelle zwar großartig darin sind, zu ranken, wer ein höheres Risiko hat, sie aber noch nicht in einem realen Krankenhausumfeld getestet wurden, in dem Ärzte sie tatsächlich zur Entscheidungsfindung nutzen. Sie merken auch an, dass ihre Modelle am besten für Menschen funktionieren, die bereits einen DXA-Scan hatten, und daher keinen Ersatz für das Screening der gesamten Bevölkerung darstellen. Die Studie legt nahe, dass wir durch die Nutzung der digitalen Aufzeichnungen, die wir bereits in Krankenhäusern haben, viel schärfere Werkzeuge bauen können, um unsere „Wolkenkratzer“ vor dem Zerbröckeln zu schützen, aber wir müssen noch mehr Arbeit leisten, um sicherzustellen, dass diese Werkzeuge in jeder Arztpraxis perfekt funktionieren, bevor sie zum neuen Standard werden.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.