論文の概要: Fracture Risk Prediction in Adults Over 50 Years Old Using DXA and EHR: Comparison of Traditional and Machine Learning Models in Two Large Cohorts

• arxiv url: http://arxiv.org/abs/2607.28671v1
• Date: Sat, 25 Jul 2026 16:58:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 16:35:22.206885
• Title: Fracture Risk Prediction in Adults Over 50 Years Old Using DXA and EHR: Comparison of Traditional and Machine Learning Models in Two Large Cohorts
• Title（参考訳）: DXAとEHRを用いた50歳以上の成人の骨折危険度予測:2大コーホートにおける伝統的な学習モデルと機械学習モデルの比較
• Authors: Jiahe Qian, Hao Dai, Kunyu Yu, Hexin Dong, Xing He, Erik A. Imel, Jiang Bian, Yifan Peng, Yi Liu,
• Abstract要約: 今回,50歳以上の成人のDXA症例に対して,経時的骨折予測モデルを構築した。 我々は,Cox回帰,無作為生存林,勾配ブースト生存モデル,XGBoost生存モデルを評価した。 EHRおよびDXA増強モデルでは, このDXA試験群において臨床報告されたFRAXスコアよりも差別性が良好であった。
• 参考スコア（独自算出の注目度）: 20.203542927483138
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate fracture risk prediction is important for osteoporosis management, but commonly used clinical tools may not fully use information available in electronic health records (EHRs) and dual-energy X-ray absorptiometry (DXA) reports. We developed and externally validated time-to-event fracture prediction models among adults aged 50 years or older with clinically obtained DXA reports in 2 US health care systems. The development cohort was derived from NewYork-Presbyterian/Weill Cornell Medical Center and the external validation cohort from the Indiana Network for Patient Care. Predictors included demographics, lifestyle factors, prior fracture, comorbidities, medication exposures, osteoporosis treatment history, and DXA-derived T-scores extracted from radiology reports. The outcome was time from index DXA to first incident fragility fracture identified from structured diagnosis codes. We evaluated penalized Cox regression, random survival forest, gradient-boosting survival, and XGBoost survival models using 2 prespecified predictor settings and compared discrimination with clinically reported FRAX major osteoporotic fracture probabilities. The development cohort included 11,510 adults, of whom 858 sustained incident fragility fractures; the external validation cohort included 1,932 adults, of whom 180 sustained fractures. In internal validation, the expanded Cox model achieved a mean Harrell C-index of 0.779, compared with 0.653 for FRAX. In external validation, the corresponding Cox model achieved a Harrell C-index of 0.714, compared with 0.590 for FRAX; gradient-boosting survival had the highest external discrimination (0.725). EHR- and DXA-enhanced models showed better discrimination than clinically reported FRAX scores in this DXA-tested population, but calibration assessment, prospective evaluation, and implementation workflow assessment are needed before clinical use.
• Abstract（参考訳）: EHR(Electronic Health Record)やDXA(Dual-Energy X-Energy Absorptiometry)の報告では,正確な骨折リスク予測は骨粗しょう症管理に重要である。 当院における50歳以上の成人のDXA症例に対して, 経時的骨折予測モデルの開発と外的評価を行った。 開発コホートはNewYork-Presbyterian/Weill Cornell Medical CenterとIndiane Network for patient Careの外部検証コホートから派生した。 予測には、人口統計、生活習慣因子、以前の骨折、コオービデンス、薬物曝露、骨粗しょう症治療履歴、DXA由来の放射線診断報告から抽出されたTスコアが含まれていた。 その結果, DXA 指数から, 構造診断符号から同定された第1の疲労骨折まで, 経過が判明した。 2つの予測因子設定を用いて, ペナルトコックス回帰, ランダムサバイバル森林, 勾配ブースト生存モデル, およびXGBoost生存モデルを評価し, 臨床報告されたFRAX大変形性骨折の予後と比較した。 発達コホートには11,510人の成人がおり、そのうち858人は重傷を負い、外的バリデーションコホートには1,932人の成人がおり、そのうち180人は骨折を負った。 内部検証では、拡張されたCoxモデルの平均Harrell C-indexは0.779であり、FRAXは0.653であった。 外部検証において、対応するCoxモデルは、FRAXの0.590と比較して、Harrell C-indexの0.714を達成し、勾配ボスティングの生存率が最も高い(0.725)。 EHRとDXAを併用したモデルでは, このDXA試験群において臨床報告されたFRAXスコアよりも高い差別性を示したが, 校正評価, 予測評価, 実施ワークフロー評価は臨床使用前に必要である。

関連論文リスト

• Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment [56.62016795093786]
  CerebraはインタラクティブなマルチエージェントAIチームで、ERH、臨床ノート、医療画像分析のための特殊エージェントをコーディネートする。 構造化された表現を操作することで、プライバシ保護デプロイメントをサポートし、モダリティが不完全であれば、堅牢である。 Cerebraは、有識者のパフォーマンスを著しく改善し、前向き認知症リスク推定において精度を17.5ポイント向上させた。
  論文  参考訳（メタデータ） (2026-03-23T05:46:45Z)
• Explainable Admission-Level Predictive Modeling for Prolonged Hospital Stay in Elderly Populations: Challenges in Low- and Middle-Income Countries [65.4286079244589]
  長期滞在期間 (pLoS) は, 院内感染のリスクに関連する重要な要因である。 入院レベルの患者と病院の診療データを用いて, pLosの予測モデルを開発し, 解説する。
  論文  参考訳（メタデータ） (2026-01-07T23:35:24Z)
• Closing the Performance Gap Between AI and Radiologists in Chest X-Ray Reporting [40.40577855417923]
  胸部X線レポート生成のための臨床評価型マルチモーダルAIモデルMAIRA-Xを紹介する。 タイプや縦方向の変化,配置などの属性を報告する上での精度を評価するために,新しいL&T特化メトリクスフレームワークを開発した。 以上の結果から,MAIRA-Xは放射線科医,特に高用量臨床現場で効果的に治療できる可能性が示唆された。
  論文  参考訳（メタデータ） (2025-11-21T10:53:26Z)
• An Advanced Two-Stage Model with High Sensitivity and Generalizability for Prediction of Hip Fracture Risk Using Multiple Datasets [15.756482189835566]
  股関節骨折は、高齢者の障害、死亡、医療負担の主な原因である。 DXA TスコアとFRAXは感度を欠くことが多く、高いリスクで個人を逃がす。 臨床および画像情報を統合して予測精度を向上させる2段階連続モデルを提案する。
  論文  参考訳（メタデータ） (2025-10-16T22:44:51Z)
• Early Mortality Prediction in ICU Patients with Hypertensive Kidney Disease Using Interpretable Machine Learning [3.4335475695580127]
  集中治療室(ICUs)の高血圧性腎疾患(HKD)患者は短期的死亡率が高い。 我々は,HKDのICU患者に対して,30日間の院内死亡を予測できる機械学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-07-25T00:48:23Z)
• A Progressive Risk Formulation for Enhanced Deep Learning based Total Knee Replacement Prediction in Knee Osteoarthritis [36.12790384412525]
  変形性膝関節症におけるTKR(Total Knee Replacement)の必要性を予測するための深層学習モデルを開発した。 モデルは、単一のスキャンを使用してTKR予測を実行し、さらに、以前のスキャンが利用可能になった場合、プログレッシブなリスク定式化を活用して予測を改善する。 変形性膝関節症(OAI)と多施設関節症研究(MOST)の膝X線写真とMRIを用いた。
  論文  参考訳（メタデータ） (2024-06-14T15:24:49Z)
• A Staged Approach using Machine Learning and Uncertainty Quantification to Predict the Risk of Hip Fracture [7.28435301162289]
  本研究は, 高齢者および中高年者における股関節骨折リスクの予測に焦点をあてる。 本稿では,高度な画像と臨床データを組み合わせて予測性能を向上させる新しいステージドモデルを提案する。
  論文  参考訳（メタデータ） (2024-05-30T14:01:02Z)
• Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
  460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。 AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
  論文  参考訳（メタデータ） (2024-03-27T16:56:14Z)
• DeepCOVID-Fuse: A Multi-modality Deep Learning Model Fusing Chest X-Radiographs and Clinical Variables to Predict COVID-19 Risk Levels [8.593516170110203]
  DeepCOVID-Fuseは、新型コロナウイルス患者のリスクレベルを予測するディープラーニング融合モデルである。 CXRと臨床変数で訓練されたDeepCOVID-Fuseの精度は0.658であり、AUCは0.842である。
  論文  参考訳（メタデータ） (2023-01-20T20:54:25Z)
• Opportunistic hip fracture risk prediction in Men from X-ray: Findings from the Osteoporosis in Men (MrOS) Study [0.7340017786387765]
  骨粗しょう症は骨折のリスクを増大させる一般的な疾患である。 特に高齢者の股関節骨折は、死亡率の上昇、生活の質の低下、死亡率の上昇につながる。 骨折前は無症候性疾患であったため、骨粗しょう症は診断されず、治療を受けていないことが多い。
  論文  参考訳（メタデータ） (2022-07-22T09:35:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。