Osteoporose ist eine systemische Skeletterkrankung, die durch eine niedrige Knochenmineraldichte (BMD) und eine mikroarchitektonische Verschlechterung des Knochengewebes gekennzeichnet ist, was zu einem erhöhten Risiko für Knochenbrüchigkeit und Frakturanfälligkeit führt. Besonders in der älteren Bevölkerung wird Osteoporose zu einem immer ernsteren Problem. In den USA haben schätzungsweise über 10,2 Millionen ältere Menschen unter Osteoporose gelitten. Osteoporose-assoziierte Frakturen, insbesondere Hüftfrakturen, gehören weltweit zu den führenden Ursachen von Behinderungen und Sterblichkeit und haben eine enorme soziale und wirtschaftliche Belastung für die Gesellschaft zur Folge. Frühe Diagnosen von Osteoporoserisiken sind herausfordernd, und es wurden eine Vielzahl von Risikofaktoren identifiziert, darunter Alter, niedriges Körpergewicht, Frakturgeschichte, Östrogenmangel, geringe Kalzium- und Vitamin-D-Aufnahme. Aktuell wird die Dual-Energie-Röntgenabsorptiometrie (DXA) als Goldstandard zur Diagnose von Osteoporose angesehen, aber aufgrund der relativen hohen Kosten und begrenzten Verfügbarkeit der DXA-Scanner ist die großflächige Untersuchung von Personen mit hohem Osteoporoserisiko in der Allgemeinbevölkerung nicht weit verbreitet. Die Einführung von Osseus, einem Gerät, das die BMD mit nicht-ionisierender Mikrowellen-Elektromagnetischer Strahlung misst, soll die Kosten- und Zugänglichkeitsprobleme der DXA überwinden. Allerdings bedarf es noch weiterer Validierung, um die Wirksamkeit von Osseus in der Früherkennung von Osteoporose zu bestätigen. Epidemiologische Studien haben versucht, Algorithmen/Tools zur Vorhersage von Osteoporoserisiken durch die Verwendung von demografischen und routinemäßig erfassten klinischen Daten zu entwickeln. Machine Learning ist ein Bereich der künstlichen Intelligenz, der mithilfe fortschrittlicher Algorithmen Daten zur Klassifikation verwendet, ohne strenge statistische Annahmen zu erfordern. Es bietet einen leistungsstarken alternativen Ansatz zur konventionellen Vorhersagemodellierung und hat gezeigt, dass es osteoporosebezogene Risiken prognostizieren kann. Die Deep Learning-Modelle erleben derzeit große Erfolge in verschiedenen künstlichen Intelligenzaufgaben und haben auch vielversprechende Ergebnisse in der Genomforschung und bei der Vorhersage von Krankheitsrisiken erzielt. Es wurde gezeigt, dass die DL-Algorithmen in der Krankheitsrisikovorhersage und/oder Klassifizierung bei mehreren verbreiteten Krankheiten wirksamer sind als herkömmliche Methoden. Unsere Studie entwickelte und konstruierte ein neuartiges DNN-Framework zur Vorhersage von Osteoporoserisiken und verglich seine Leistung mit anderen häufig verwendeten ML-Modellen sowie dem traditionellen OST-Modell. Die entwickelten Modelle werden dazu beitragen, das Verständnis von Osteoporoserisiken zu vertiefen und effektive Werkzeuge und Strategien für die Früherkennung und Intervention von Osteoporose zu liefern, besonders in primären Gesundheitspflegesettings.
Frontiers | Entwicklung und Vergleich von Tiefenlern- und Maschinenlernalgorithmen zur Vorhersage des Osteoporose-Risikos
