Poster (Knowledge Generation) ID 1985362
Notice bibliographique
Résumé
Objective To develop a lower extremity (LE) fragility fracture risk score estimation method among adults with chronic spinal cord injury (SCI). Methods Adults (≥18) with chronic traumatic SCI (n=90, C2-T12, AIS:A-D) participated in a 2-year prospective cohort study. We used a literature search and practice expertise to identify LE fracture predictors. Reference categories (i.e., risk score = 0) were: no prior fracture, 0-9 years post-injury, AIS-CD, no parental history of osteoporosis, and no opioid use. Using logistic regression coefficients, we calculated how far each category is from the base category and computed β i (W ij -W iREF ) for each risk factor. In this model, B was the increase in risk associated with each year post injury. The point value for each fracture risk category was calculated by Point sij =β i (W ij -W iREF )/B. The total points range from 0-21, and the probability of LE fracture is calculated for each point to determine the probability of developing a LE fracture using the formula: Results Most participants had an AIS-A impairment (60.0%), the mean time post-injury=15.23 years (SD=9.58). For the points system (0-17), prior fracture, years post-injury, AIS, Benzodiazepine use, Opioid use, and parental osteoporosis were defined risk factors. An individual’s risk profile can estimate LE fracture risk. A score of 11 equates to 20% or high fracture risk over a 5-year time period. Conclusion We describe our preliminary model to estimate LE fracture risk among those with chronic SCI. We plan to apply statistical and machine learning algorithms using Canadian RHSCIR data and US VHA data to validate the model, and increase the model’s predictability.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,931 | 0,789 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».