MétaCan
Menu
Retour à la cohorte
Enregistrement W4400112739 · doi:10.1001/jamanetworkopen.2024.18612

Hip Fracture Risk Assessment Tools for Adults Aged 80 Years and Older

2024· article· en· W4400112739 sur OpenAlexaff
Kristine E. Ensrud, John T. Schousboe, Carolyn Crandall, William D. Leslie, Howard A Fink, Peggy M. Cawthon, Deborah M. Kado, N.E. Lane, Jane A. Cauley, Lisa Langsetmo

Notice bibliographique

RevueJAMA Network Open · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueBone health and osteoporosis research
Établissements canadiensUniversity of Manitoba
Organismes subventionnairesNational Center for Advancing Translational SciencesNational Institute of Arthritis and Musculoskeletal and Skin DiseasesNational Institute of Nursing ResearchNational Institute on Aging
Mots-clésMedicineFRAXHip fractureFemoral neckRisk assessmentReceiver operating characteristicPopulationPhysical therapyCohortOsteoporosisDemographyInternal medicineBone mineralOsteoporotic fracture

Résumé

récupéré en direct d'OpenAlex

Importance: While adults aged 80 years and older account for 70% of hip fractures in the US, performance of fracture risk assessment tools in this population is uncertain. Objective: To compare performance of the Fracture Risk Assessment Tool (FRAX), Garvan Fracture Risk Calculator, and femoral neck bone mineral density (FNBMD) alone in 5-year hip fracture prediction. Design, Setting and Participants: Prognostic analysis of 3 prospective cohort studies including participants attending an index examination (1997 to 2016) at age 80 years or older. Data were analyzed from March 2023 to April 2024. Main Outcomes and Measures: Participants contacted every 4 or 6 months after index examination to ascertain incident hip fractures and vital status. Predicted 5-year hip fracture probabilities calculated using FRAX and Garvan models incorporating FNBMD and FNBMD alone. Model discrimination assessed by area under receiver operating characteristic curve (AUC). Model calibration assessed by comparing observed vs predicted hip fracture probabilities within predicted risk quintiles. Results: A total of 8890 participants were included, with a mean (SD) age at index examination of 82.6 (2.7) years; 4906 participants (55.2%) were women, 866 (9.7%) were Black, 7836 (88.1%) were White, and 188 (2.1%) were other races and ethnicities. During 5-year follow-up, 321 women (6.5%) and 123 men (3.1%) experienced a hip fracture; 818 women (16.7%) and 921 men (23.1%) died before hip fracture. Among women, AUC was 0.69 (95% CI, 0.67-0.72) for FRAX, 0.69 (95% CI, 0.66-0.72) for Garvan, and 0.72 (95% CI, 0.69-0.75) for FNBMD alone (FNBMD superior to FRAX, P = .01; and Garvan, P = .01). Among men, AUC was 0.71 (95% CI, 0.66-0.75) for FRAX, 0.76 (95% CI, 0.72-0.81) for Garvan, and 0.77 (95% CI, 0.72-0.81) for FNBMD alone (P < .001 Garvan and FNBMD alone superior to FRAX). Among both sexes, Garvan greatly overestimated hip fracture risk among individuals in upper quintiles of predicted risk, while FRAX modestly underestimated risk among those in intermediate quintiles of predicted risk. Conclusions and Relevance: In this prognostic study of adults aged 80 years and older, FRAX and Garvan tools incorporating FNBMD compared with FNBMD alone did not improve 5-year hip fracture discrimination. FRAX modestly underpredicted observed hip fracture probability in intermediate-risk individuals. Garvan markedly overpredicted observed hip fracture probability in high-risk individuals. Until better prediction tools are available, clinicians should prioritize consideration of hip BMD, life expectancy, and patient preferences in decision-making regarding drug treatment initiation for hip fracture prevention in late-life adults.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,636
Score d'incertitude au seuil0,641

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,032
Tête enseignante GPT0,386
Écart entre enseignants0,354 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations14
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJAMA Network OpenMême sujetBone health and osteoporosis researchTravaux en français237 207