AI Screening Tool Based on X-Rays Improves Early Detection of Decreased Bone Density in a Clinical Setting
Notice bibliographique
Résumé
Purpose: Osteoporosis is an under-screened musculoskeletal disorder that results in diminished quality of life and significant burden to the healthcare system. We aimed to evaluate the ability of Rho, an artificial intelligence (AI) tool, to prospectively identify patients at-risk for low bone mineral density (BMD) from standard x-rays, its adoption rate by radiologists, and acceptance by primary care providers (PCPs). Methods: Patients ≥50 years were recruited when undergoing an x-ray of a Rho-eligible body part for any clinical indication. Questionnaires were completed at baseline and 6-month follow-up, and PCPs of “Rho-Positive” patients (those likely to have low BMD) were asked for feedback. Positive predictive value (PPV) was calculated in patients who returned within 6 months for a DXA. Results: Of 1145 patients consented, 987 had x-rays screened by Rho, and 655 were flagged as Rho-Positive. Radiologists included this finding in 524 (80%) of reports. Of all Rho-Positive patients, 125 had a DXA within 6 months; Rho had a 74% PPV for DXA T-Score <−1. From 51 PCP responses, 78% found Rho beneficial. Of 389 patients with follow-up questionnaire data, a greater proportion of patients with Rho results reported vs not reported by a radiologist had discussed bone health with their PCP since study start (37% vs 21%, P < .001), or were newly diagnosed with osteoporosis (12% vs 5%; P = .02). Conclusion: By identifying patients at-risk of low BMD, with acceptability of reporting by radiologists and generally positive feedback from PCPs, Rho has the potential to improve low screening rates for osteoporosis by leveraging existing x-ray data.
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 | 0,001 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».