Biomechanical MRI detects reduced bone strength in subjects with vertebral fractures
Notice bibliographique
Résumé
Vertebral fracture is one of the most serious consequences of osteoporosis . Estimation of vertebral strength from magnetic resonance imaging (MRI) scans may provide a new approach for the prediction of vertebral fractures. To that end, we sought to establish a biomechanical MRI (BMRI) method to compute vertebral strength and test its ability to distinguish fracture from non-fracture subjects. This case-control study included 30 subjects without vertebral fractures and 15 subjects with vertebral fractures. All subjects underwent MRI with a mDIXON-Quant sequence and quantitative computed tomography (QCT), from which proton fat fraction-based bone marrow adipose tissue (BMAT) content and volumetric bone mineral density (vBMD) were measured, respectively. Nonlinear finite element analysis was applied to MRI and QCT scans of L2 vertebrae to compute vertebral strength (BMRI- and BCT-strength). The differences in BMAT content, vBMD, BMRI-strength and BCT-strength between the two groups were examined by t -tests. Receiver operating characteristic (ROC) analysis was performed to assess the ability of each measured parameter to distinguish fracture from non-fracture subjects. Results showed that the fracture group had 23 % lower BMRI-strength ( P < .001) and 19 % higher BMAT content (P < .001) than the non-fracture group, whereas no significant difference in vBMD was detected between the two groups. A poor correlation was found between vBMD and BMRI-strength (R 2 = 0.33). Compared to vBMD and BMAT content, BMRI- and BCT-strength had the larger area under the curve (0.82 and 0.84, respectively) and provided better sensitivity and specificity in separating fracture from non-fracture subjects. In conclusion, BMRI is capable of detecting reduced bone strength in patients with vertebral fracture, and may serve as a new approach for risk assessment of vertebral fracture.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».