Erheblich verbesserte Identifizierung von Hochrisikopatienten durch eine modifizierte Strategie zur Fraktur-Risikoabschätzung
Notice bibliographique
Résumé
Einleitung: Die bisher verfolgten Strategien schöpfen das Potenzial zur Identifizierung von Hochrisikopatienten nicht aus. Es wird eine modifizierte Strategie vorgeschlagen, gemäß den Leitlinien des DVO: Risikoabschätzung auf Basis von (i) Hüftfrakturen (HF) und Wirbelkörperfrakturen (WKF) anstelle sonstiger osteoporotischer Frakturen (sOF), (ii) mehr klinische Risikofaktoren (kRFs), (iii) Knochenflächendichte (aBMD) und Trabecular Bone Score (TBS) der Lendenwirbelsäule (LWS) zusätzlich zur aBMD der Gesamt-Hüfte (iv) und ein Vorhersagezeitraum von 3 bzw 1 anstelle von 10 Jahren. Ziel: Zu prüfen, ob diese Strategie zu einer Verbesserung der Frakturvorhersage führt. Methode: Die Analysen erfolgten im Manitoba BMD Register. Ein erweiterter Satz von Risikofaktoren für das HF- oder WKF-Risiko wurde auf der Grundlage einer systematischen Literaturauswertung (2267 Veröffentlichungen, Oxford-Evidenzkriterien) der Leitlinienkommission des DVO ausgewählt, sofern im BMD-Register von Manitoba verfügbar. Cox-Modelle zur Vorhersage von 3-Jahres HF, WKF und sOF wurden in 7 Schritten erstellt. Voraussetzung für Einschluss der Faktoren des jeweiligen Schritts war eine signifikante Verbesserung und ein klinisch relevanter Anstieg der AUC>0.005: (0)=Ausgangsniveau: 8 kRF aus FRAX (ohne sekundäre Osteoporose) → (1) Aufschlüsselung der FRAX-Vorfrakturen in Frakturtypen Untergruppen → (2) kRFs aus sekundärer Osteoporose (aus FRAX und auch weitere) → (3) kRFs aus neurologischen Erkrankungen → (4) Hinzufügen der aBMD der Gesamt-Hüfte → (5) Hinzufügen der aBMD der LWS → (6) Hinzufügen des TBS; (7) Vergleich des hieraus resultierenden 3-Jahres-Frakturrisikomodells mit demselben Modell für das 1- und 10-Jahres-Frakturrisiko. Ergebnisse: Die Stichprobe umfasste 56.129 Frauen; über 3 Jahre wurden 292 HF, 260 klinische WKF und 1556 sOF erfasst. Die Tab. 1 zeigt die Verbesserungen der AUC, sofern die Verbesserungsvoraussetzungen erfüllt wurden. Insgesamt verbesserten sich die 3-Jahres-AUCs um +0,054 (von 0,830 auf 0,884) für HF und um +0,068 (von 0,727 auf 0,795) für WKF. Im Vergleich zu den 3-Jahres-Risikomodellen waren die AUCs nach 1 Jahr höher, und zwar um +0,023 (auf 0,907) für HF und um +0,055 (auf 0,850) für WKF. Im Gegensatz dazu war die 10-Jahres-AUC mit 0,825 (-0,059 im Vergleich zur 3-Jahres-AUC) für HF und mit 0,771 (-0,024) für WKF wesentlich niedriger. Für sOFs waren die AUCs in allen Stufen durchweg niedriger als für HF und WK. Diskussion: Vier Strategieänderungen: (i) Beschränkung auf das HF- und WKF-Risiko; (ii) mehr klinischer Risikofaktoren; (iii) Einbeziehung von aBMD und TBS der LWS (für WKF); (iv) Bewertung des 3-Jahres Risikos (und des imminenten Risikos über 1 Jahr) anstelle des 10-Jahres Risikos, verbesserten die Risikoprofilierung erheblich. Dies unterstützt die Strategie zur Identifizierung von Hochrisikopersonen der aktuellen Leitlinie des DVO.
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 | 0,010 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,002 |
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 ».