Automated abdominal aortic calcification scoring from vertebral fracture assessment images and fall-associated hospitalisations: the Manitoba Bone Mineral Density Registry
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abdominal aortic calcification (AAC), a subclinical measure of cardiovascular disease (CVD) that can be assessed on vertebral fracture assessment (VFA) images during osteoporosis screening, is reported to be a falls risk factor. A limitation to incorporating AAC clinically is that its scoring requires trained experts and is time-consuming. We examined if our machine learning (ML) algorithm for AAC (ML-AAC24) is associated with a higher fall-associated hospitalisation risk in the Manitoba Bone Mineral Density (BMD) Registry. A total of 8565 individuals (94.0% female, age 75.7 ± 6.8 years) who had a BMD and VFA image from DXA between February 2010 and December 2017 were included. ML-AAC24 was categorised based on established categories (ML-AAC24 = low < 2; moderate 2 to < 6; high ≥ 6). Cox proportional hazards models assessed the relationship between ML-AAC24 categories and incident fall-associated hospitalisations obtained from linked health records (mean ± SD follow-up, 3.9 ± 2.2 years). Individuals with moderate (9.6%) and high ML-AAC24 (11.7%) had a greater proportion of fall-associated hospitalisations, compared to those with low ML-AAC24 (6.0%). In age and sex-adjusted models, compared to low ML-AAC24, moderate (HR 1.49, 95% CI 1.24-1.79) and high ML-AAC24 (HR 1.89, 95% CI 1.56-2.28) were associated with greater hazards for a fall-associated hospitalisation. Results were comparable (HR 1.37, 95% CI 1.13-1.65 and HR 1.60, 95% CI 1.31-1.95, respectively) after multivariable adjustment, including prior falls and CVD, as well as medication use. Integrating ML-AAC24 into bone density machine software to identify high risk individuals would opportunistically provide important information on fall and cardiovascular disease risk to clinicians for evaluation and intervention.
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.
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 | 0,000 |
| 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 découle