The Accuracy of Prevalent Vertebral Fracture Detection in Children Using Targeted Case-Finding Approaches
Notice bibliographique
Résumé
Due to concerns about cumulative radiation exposure in the pediatric population, it is not standard practice to perform spine radiographs in most conditions that predispose to vertebral fracture (VF). In this study we examined the accuracy of two clinical predictors, back pain and lumbar spine bone mineral density (LS BMD), to derive four case-finding paradigms for detection of prevalent VF (PVF). Subjects were 400 children at risk for PVF (leukemia 186, rheumatic disorders 135, nephrotic syndrome 79). Back pain was assessed by patient report, LS BMD was measured by dual-energy X-ray absorptiometry, and PVF were quantified on spine radiographs using the modified Genant semiquantitative method. Forty-four patients (11.0%) had PVF. Logistic regression analysis between LS BMD and PVF produced an odds ratio (OR) of 1.9 (95% confidence interval [CI], 1.5 to 2.5) per reduction in Z-score unit, an area under the receiver operating characteristic curve of 0.70 (95% CI, 0.60 to 0.79), and an optimal BMD Z-score cutoff of -1.6. Case identification using either low BMD alone (Z-score < -1.6) or back pain alone gave similar results for sensitivity (55%, 52%, respectively), specificity (78%, 81%, respectively), positive predictive value (PPV; 24%, 25%, respectively), and negative predictive value (NPV; 93%, 93%, respectively). The paradigm using low BMD plus back pain produced lower sensitivity (32%), higher specificity (96%), higher PPV (47%), and similar NPV (92%). The approach using low BMD or back pain had the highest sensitivity (75%), lowest specificity (64%), lowest PPV (20%), and highest NPV (95%). All paradigms had increased sensitivities for higher fracture grades. Our results show that BMD and back pain history can be used to identify children with the highest risk of PVF so that radiography can be used judiciously. The specific paradigm to be applied will depend on the expected PVF rate and the clinical approach to the use of radiography. © 2019 American Society for Bone and Mineral Research.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».