伊迪丝考恩大学(ECU)的研究人员开发了一种新的自动机器学习算法。该算法在常规骨密度测试中准确评估腹主动脉钙化(AAC)。AAC是一种公认的晚期血管疾病的测量方法。
新的检测方法显著缩短了AAC的筛查时间。与经验丰富的读者从一张图像中获得AAC分数需要5到6分钟相比，新算法只需不到一分钟就可以预测数百张图像的AAC分数
“我们知道，在这些老年妇女中，有二分之一的人患有中度至广泛性AAC，这与跌倒和骨折有关。确定这些关系在自动化后是否仍然具有可比性是提高骨密度测试期间拍摄的侧脊柱图像的临床实用性的关键一步。”
ECU博士后研究员Jack Dalla Via博士领导的一项研究最近发表在《骨与矿物研究杂志》上。研究发现，与AAC较低的女性相比，通过该算法得出的中度至广泛AAC的女性患跌倒相关住院和临床骨折的风险更高。这项研究是同类研究中的第一个，揭示了自动评估的AAC可以识别出跌倒和骨折风险增加的老年妇女。
Dalla Via博士说，自动算法将允许AAC在临床实践中即时无缝地评估和报告，无论何时捕获侧脊柱图像。
“重要的是，我们的算法与经过训练的专家手动评估的AAC有很好的一致性。”
“骨密度扫描的辐射剂量非常低，通常用于骨质疏松症筛查，最常见于老年妇女。因此，这种机器学习方法在骨密度测试中提供关于跌倒和骨折风险的新颖的非肌肉、非骨骼信息的能力将是非常有价值的。”
“除了跌倒和骨折，我们已经证明AAC是心血管事件、晚年痴呆和死亡率的一个强有力的预测指标。这在为其他健康结果进行机会性健康筛查的背景下很重要，”他补充说。
Dalla Via博士说，观察到的AAC与跌倒和骨折风险之间关系的潜在机制尚不清楚。然而，这可能与共同的潜在机制有关，如慢性低度炎症、共同的风险因素，如吸烟或血流受损，这些都可能导致骨折风险增加。血管疾病也可能导致跌倒倾向的增加，以及随后的骨折。
下一步是在独立队列中验证算法的性能，特别是在常规临床骨密度测量服务中。
资深作者Joshua Lewis副教授说，他现在很希望看到这项突破性研究的好处被更广泛地利用，“国内和国际公司都对这种产品的商业化表现出了兴趣。”
更多信息:Jack Dalla Via等，机器学习评估的腹主动脉钙化与澳大利亚社区老年妇女长期跌倒和骨折风险相关，《骨与矿物研究杂志》(2023)。DOI: 10.1002 / jbmr.4921期刊信息:骨与矿物研究杂志
伊迪丝考恩大学提供
引用:新的人工智能算法识别老年妇女跌倒和骨折的风险(2023,12月13日)
作品受版权保护。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。的有限公司
内容仅供参考之用。
