Fracture Risk Prediction in Adults Over 50 Years Old Using DXA and EHR: Comparison of Traditional and Machine Learning Models in Two Large Cohorts
Deze studie toont aan dat machine learning en gepenaliseerde Cox-regressiemodellen die gebruikmaken van gegevens uit elektronische patiëntendossiers en DXA-data de traditionele FRAX-tool aanzienlijk overtreffen bij het voorspellen van het fracturerisico bij volwassenen boven de 50 jaar, hoewel verdere validatie vereist is voor klinische implementatie.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je lichaam een bruisende stad is, en je botten zijn de wolkenkrabbers die alles omhoog houden. Na verloop van tijd kunnen deze wolkenkrabbers, net als oude gebouwen, zwak en broos worden. Wanneer ze te zwak worden, kan zelfs een kleine stoot of een simpel struikelpartijtje ervoor zorgen dat ze instorten. Dit is wat er gebeurt wanneer oudere volwassenen een "fragiliteitsfractuur" oplopen. Artsen hebben een langdurig hulpmiddel om te voorspellen welke gebouwen een risico lopen, genaamd FRAX. Het is een beetje als een standaard weerbericht dat naar de basis kijkt: je leeftijd, je lengte, je gewicht en of je eerder een storm hebt gehad (een botbreuk). Het is goed, maar het is een beetje alsof je het weer controleert met een papieren kaart; het mist het echte verkeer, de bouwzones en de plotselinge windstoten die op dit moment misschien plaatsvinden.
In de afgelopen jaren zijn ziekenhuizen begonnen met het verzamelen van bergen digitale gegevens, zoals het volledige verkeerscamera-netwerk en de onderhoudslogs van een stad, die worden opgeslagen in wat een Elektronisch Gezondheidsdossier (EHR) wordt genoemd. Dit artikel stelt een grote vraag: Als we de oude weerkaart (FRAX) combineren met dit enorme, realtime digitale verkeersnetwerk (het EHR) en een speciale botscan (DXA), kunnen we dan beter breuken voorspellen? De onderzoekers wilden zien of een computer kon leren van al deze extra gegevens om gevaartekens te spotten die de oude kaart miste, specifiek voor mensen boven de 50 die al een botscan hebben ondergaan.
Het team, geleid door onderzoekers uit New York en Indiana, besloot een nieuw soort "glazen bol" voor botgezondheid te bouwen. Ze verzamelden gegevens van twee enorme groepen mensen: één groep van New York-Presbyterian/Weill Cornell Medical Center (het "ontwikkelings"-team) en een andere groep van de Indiana Network for Patient Care (het "test"-team). Ze keken naar meer dan 11.000 volwassenen in New York en bijna 2.000 in Indiana die een DXA-scan hadden ondergaan. Deze scan is als een hoogtechnologische röntgenfoto die meet hoe dicht je botten zijn, wat een "T-score" geeft die vertelt hoe sterk jouw wolkenkrabbers zijn vergeleken met een gezonde jongvolwassene.
De onderzoekers voerden hun computermodellen een mix van ingrediënten. Ze namen de standaardzaken (leeftijd, geslacht, roken, alcohol) en voegden daar de "geheime saus" aan toe die in de digitale dossiers te vinden is: een lange lijst van andere gezondheidsproblemen (zoals diabetes of artritis), een geschiedenis van medicijnen die de botten mogelijk verzwakken (zoals steroiden) en een geschiedenis van eerdere fracturen. Ze pakten ook de specifieke T-scores uit de DXA-rapporten. Daarna lieten ze twee soorten voorspellingsmotoren tegen elkaar strijden. De eerste was een "traditionele" motor, een statistische methode genaamd Cox-regressie, die als een zeer zorgvuldige, regelvolgende accountant is. De tweede was een reeks "Machine Learning"-motoren, inclusief Random Survival Forests en Gradient Boosting, die als super slimme detectives zijn die patronen en verbanden kunnen ontdekken die mensen missen.
De resultaten waren opwindend. Toen het team hun nieuwe modellen testte tegenover het oude FRAX-hulpmiddel, waren de nieuwe modellen aanzienlijk beter in het opsporen van wie een bot zou breken. In de New Yorkse groep rangschikte het beste traditionele model (de "accountant") het risico op een fractuur ongeveer 78% van de tijd correct (een score van 0,779), terwijl het oude FRAX-hulpmiddel het slechts ongeveer 65% van de tijd goed kreeg (0,653). Het is alsof het nieuwe model de scheuren in de fundering kon zien die de oude kaart volledig miste.
Toen ze het New Yorkse model testten op de Indiana-groep (een compleet andere groep mensen), hield het zich nog steeds goed met een score van rond de 71%, terwijl FRAX daalde naar slechts 59%. Interessant genoeg, terwijl het traditionele "accountant"-model de kampioen was in de eerste groep, nam een Machine Learning-detective genaamd "Gradient Boosting" in de tweede groep de toppositie over met een score van 72,5%. Dit suggereert dat hoewel de eenvoudige, op regels gebaseerde modellen zeer betrouwbaar zijn, de super slimme AI-detectives zelfs subtielere aanwijzingen kunnen vinden wanneer ze naar nieuwe, verschillende menigten kijken.
De auteurs zijn echter voorzichtig om nog geen totale overwinning te verklaren. Ze wijzen erop dat hoewel deze modellen geweldig zijn in het rangschikken van wie een hoger risico loopt, ze nog niet zijn getest in een echte ziekenhuisomgeving waar artsen ze daadwerkelijk gebruiken om beslissingen te nemen. Ze merken ook op dat hun modellen het beste werken voor mensen die al een DXA-scan hebben ondergaan, waardoor ze geen vervanging zijn voor het screenen van de gehele populatie. De studie suggereert dat we, door de digitale dossiers die we al in ziekenhuizen hebben te gebruiken, veel scherpere instrumenten kunnen bouwen om onze "wolkenkrabbers" te beschermen tegen instorten, maar we moeten nog meer werk verrichten om ervoor te zorgen dat deze instrumenten perfect werken in elke dokterspraktijk voordat ze de nieuwe standaard worden.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.