Evaluating an Artificial Intelligence software for opportunistic low bone mineral density and osteoporosis screening: a validation study
Notice bibliographique
Résumé
Abstract Despite the profound prevalence and fracture risk of osteoporosis, access to the gold standard DXA scans remains limited, especially in rural communities. Rho is an artificial intelligence software that can identify individuals at risk of low BMD and osteoporosis using radiographs. This study will independently validate Rho software by evaluating its performance against DXA in a retrospective cohort of patients. We conducted a retrospective study of 4878 patients (mean age 70 ± 10, 80% female), with DXA acquired within 1 yr of a radiograph. The area under the curve (AUC) was calculated to evaluate the performance of Rho in identifying patients at risk for low BMD (T-Score < −1) and osteoporosis (T-Score ≤ −2.5). Further subgroup analyses were performed based on radiograph location, sex, and rural vs urban populations. The overall AUC for predicting low BMD was 0.840 (95% CI: 0.831-0.848), with an optimal Rho score threshold of 6. For osteoporosis prediction, the AUC was 0.815 (95% CI: 0.806-0.824), with an optimal Rho score threshold of 7. Rural and urban populations have strong AUCs for low BMD (AUC = 0.873; 0.873) and osteoporosis (AUC = 0.865; 0.812). Likewise, Rho demonstrated strong, comparable (p > .25) performance in both men and women for prediction of low BMD. Although, optimal cutoffs differed between females and males for both low BMD and osteoporosis. Rho demonstrated high effectiveness in identifying patients at risk for low BMD and osteoporosis. The findings support Rho as an opportunistic screening tool and may fill a clinical gap in communities lacking access to DXA.
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 | 0,002 | 0,003 |
| 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 ».