Spine age estimation using deep learning in lateral spine radiographs and DXA VFA to predict incident fracture and mortality
Notice bibliographique
Résumé
Spine age estimated from lateral spine radiographs and DXA VFAs could be associated with fracture and mortality risk. In the VERTE-X cohort (n = 10,341, derivation set) and KURE cohort (n = 3517; external test set), spine age discriminated prevalent vertebral fractures and osteoporosis better than chronological age. Predicted age difference was associated with overall (adjusted HR [aHR] 1.22 per 1 SD increment, p < 0.001), vertebral, non-vertebral incident fractures, and mortality (aHR 1.31, p = 0.001) during a median 6.6 years follow-up in KURE, independent of chronological age and covariates. Spine age to estimate FRAX hip fracture probabilities, instead of chronological age, improved the discriminatory performance for incident hip fracture (AUROC 0.83 vs. 0.78, p = 0.027). Shorter height, lower femoral neck BMD, diabetes, vertebral fractures, and surgical prosthesis were associated with higher predicted age difference, explaining 40% of variance. Spine age estimated from lateral spine radiographs and DXA VFA enhanced fracture risk assessment and mortality prediction over chronological age.
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 | 0,000 | 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 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 ».