Next Generation Imminent Fracture Risk Assessment Using AI
Notice bibliographique
Résumé
Abstract Osteoporosis-related fractures are a significant cause of morbidity and loss of independence, particularly in older adults. While traditional tools like FRAX predict long-term fracture risks, they lack precision in identifying Imminent Fracture Risk , defined as the risk of fractures within a two-year period following an initial incident. This study develops a machine learning model that integrates demographic and clinical factors to address this gap, aiming to improve short-term fracture risk predictions and enable timely interventions. The model was trained on a dataset of 32,677 patients from the Ontario Osteoporosis Strategy’s Fracture Screening and Prevention Program. It leverages an ensemble learning framework that combines Support Vector Machine, Decision Tree, Logistic Regression, and AdaBoost classifiers. Using GridSearchCV for hyperparameter tuning, the model achieved an accuracy of 76%, a recall of 76%, and an AUROC of 0.73, highlighting its potential for clinical application. Despite these promising results, limitations such as the absence of Bone Mineral Density data and incomplete patient-reported information restricted the model’s generalizability. Future research should focus on expanding the dataset, incorporating real-time data from wearable devices, and utilizing advanced natural language processing techniques to handle unstructured data effectively. This study demonstrates the potential of machine learning in predicting imminent fracture risk, offering a complementary tool to traditional methods like FRAX. By improving the early identification of high-risk individuals, this approach could significantly reduce both personal and economic burdens associated with osteoporotic fractures.
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 | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».