Fracture Risk Prediction in Adults Over 50 Years Old Using DXA and EHR: Comparison of Traditional and Machine Learning Models in Two Large Cohorts
本研究表明，利用电子健康记录和双能X线吸收法（DXA）数据的机器学习及惩罚 Cox 回归模型在预测 50 岁以上成年人骨折风险方面显著优于传统的 FRAX 工具，但在临床应用前仍需进一步验证。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你的身体是一座繁忙的城市，而你的骨骼就是支撑起这座城市的摩天大楼。随着时间的推移，就像那些旧建筑一样，这些摩天大楼可能会变得脆弱且易碎。当它们变得过于脆弱时，即使是一个小小的碰撞或一次简单的绊倒，都可能导致它们崩塌。这就是老年人发生“脆性骨折”时的情况。医生们一直使用一种名为 FRAX 的工具来预测哪些建筑处于风险之中。它就像一份标准的天气预报，查看一些基本信息：你的年龄、身高、体重，以及是否经历过一场“风暴”（骨折）。这很不错，但它有点像是在用纸质地图来查看天气：它忽略了此时此刻正在发生的实时交通状况、施工区域以及突如其来的阵风。
近年来，医院开始收集海量的数字数据，比如城市整个交通摄像机网络和维护日志，这些数据被存储在被称为“电子健康记录”（EHR）的系统中。这篇文章提出了一个大问题：如果我们把旧的天气地图（FRAX）与这个庞大的实时数字交通网络（EHR）以及特殊的骨密度扫描（DXA）结合起来，我们能否更好地预测骨折？研究人员想看看计算机是否能通过学习这些额外的数据，来发现旧地图所遗漏的危险信号，特别是针对那些已经做过骨密度扫描的人群。
由来自纽约和印第安纳的研究人员领导的团队，决定打造一种新型的骨骼健康“水晶球”。他们从两组庞大的人群中收集了数据：一组来自纽约长老会/威尔科内尔医学中心（“开发”团队），另一组来自印第安纳患者护理网络（“测试”团队）。他们调查了在纽约的 11,000 多名成年人和印第安纳的近 2,000 名接受过 DXA 扫描的人。这种扫描就像是一种高科技 X 光，可以测量你的骨密度，其提供的“T 值”告诉你在与健康的年轻人相比，你的摩天大楼有多强壮。
研究人员向他们的计算机模型中加入了多种“配料”。他们提取了标准要素（年龄、性别、吸烟、饮酒），并加入了在数字记录中发现的“秘密酱汁”：一系列其他的健康问题（如糖尿病或关节炎）、可能削弱骨骼的药物史（如类固醇），以及既往骨折史。他们还抓取了来自 DXA 报告的具体 T 值。然后，他们让两种类型的预测引擎进行对决。第一种是“传统”引擎，一种被称为 Cox 回归的统计方法，它就像一位非常谨慎、恪守规则的会计师。第二种是一套“机器学习”引擎，包括随机生存森林和梯度提升，它们就像是超级聪明的侦探，能够发现人类可能忽略的隐藏模式和联系。
结果令人兴奋。当团队用新模型与旧的 FRAX 工具进行对比测试时，新模型在识别谁会发生骨折方面表现得显著更好。在纽约组中，表现最好的传统模型（即那位“会计师”）正确排列骨折风险的概率约为 78%（得分 0.779），而旧的 FRAX 工具正确率仅为 65% 左右（0.653）。这就像是新模型能够看到旧地图完全错过的地基裂缝。
当他们将纽约的模型拿到印第安纳组（一组完全不同的人群）进行测试时，该模型依然表现稳健，得分约为 71%，而 FRAX 则降至 59%。有趣的是，虽然传统的“会计师”模型在第一组中成为了冠军，但在第二组中，一位名为“梯度提升”的机器学习侦探实际上夺得了头名，得分达 72.5%。这表明，虽然简单的基于规则的模型非常可靠，但超级聪明的 AI 侦探在观察不同人群时，或许能发现更多细微的线索。
然而，作者们也谨慎地表示，现在还不能宣布取得全面胜利。他们指出，虽然这些模型在“排序”谁的风险更高方面做得很好，但尚未在医生实际使用它们进行决策的真实医院环境中进行测试。他们还提到，他们的模型最适用于那些已经做过 DXA 扫描的人，因此它们并不能取代对整个人群的筛查。这项研究表明，通过利用医院现有的数字记录，我们可以构建出更锐利的工具来保护我们的“摩天大楼”免于崩塌，但我们仍需做更多工作，以确保这些工具在成为新的标准之前，能在每一间医务室里完美运行。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。