Παράγοντες κινδύνου χαμηλής οστικής μάζας: η μελέτη των κλινικών εργαλείων (screening tools) και των υπολογιστικών τεχνικών

Abstract

To evaluate the power of six osteoporosis screening instruments. The Bayesian networks are becoming an increasingly important area in applications to medical diagnosis. ANN could have a good performance in identifying osteoporotic subjects in the elderly and it might serve as an alternative tool to screen the individual who should arrange further work-up like DXA.Data concerning several osteoporosis risk factors were prospectively collected from 1000 postmenopausal women aged 42-87 years who underwent dual-energy X-ray absorptiometry (DXA) screening. Six osteoporosis risk factor screening tools were applied to this sample to evaluate their performance and choose the most appropriate tool for the study population. Trying to measure the accuracy of t-score we had utilized Neural and Bayesian networks.The most important screening tool for osteoporosis status was the Simple Calculated Osteoporosis Risk Estimation, which had an area under the curve (AUC) of 0.678, a sensitivity of 72%, and a specificity of 72%, with a cut-off point of 20.75. The most important screening tool for osteoporosis risk was the Osteoporosis Self-assessment Tool, which had an AUC of 0.643, a sensitivity of 77%, and a specificity of 46%, with a cut-off point of -2.9. From artificial neural networks, multilayer perceptron (MLP) showed classification percent 71.33% and radial basis function (RBF) 75.52%.Some commonly used clinical risk instruments demonstrate high sensitivity for distinguishing individuals with DXA-ascertained osteoporosis or reduced bone mineral density. The development of Information Technology has generated large amount of databases and huge data in various areas. The research in databases and information technology has given rise to an approach to store and manipulate this data for further decision making. The evaluation of ANN in bone disease osteoporosis and the prediction of fracture risk and diagnosis of osteoporosis are the major concerns in orthopaedics. Evaluation of ANN is a great tool for prediction in different parts of medicine such as the prediction of diabetes. The future for this type of work can lie in either of two directions. The networks can be trained on a very large database and then used as a decision support tool.

Η αξιολόγηση των έξι διαγνωστικών μέσων οστεοπόρωσης σε μετεμμηνοπαυσιακές γυναίκες. Μελέτες απέδειξαν την αξία των νευρωνικών δικτύων στην τεχνολογία των υπολογιστών,επιβεβαιώνοντας τη σχέση μεταξύ των παραγόντων κινδύνου και την έκβαση των ερευνών στον τομέα της οστεοπόρωσης.Τα νευρωνικά δίκτυα θα μπορούσαν να χρησιμεύσουν ως εναλλακτικό εργαλείο για να ελέγξουν το άτομο που θα πρέπει να οδηγηθεί στην DXA.Τα δεδομένα σχετικά με τους παράγοντες κινδύνου οστεοπόρωσης συλλέχθηκαν προοπτικά από 1000 μετεμμηνοπαυσιακές γυναίκες ηλικίας 42 έως 87 ετών οι οποίες υποβλήθηκαν σε έλεγχο DXA. Τα εργαλεία ελέγχου παραγόντων κινδύνου οστεοπόρωσης εφαρμόστηκαν σε αυτό το δείγμα, αξιολογώντας τις επιδόσεις τους και επιλέγοντας το καταλληλότερο εργαλείο για τον πληθυσμό τηςμελέτης. Προσπαθώντας να μετρηθεί η ακρίβεια του t-score χρησιμοποιήθηκαν τα νευρωνικά δίκτυα. Το πιο σημαντικό εργαλείο ελέγχου για την κατάσταση της οστεοπόρωσης ήταν το SCORE, το οποίο είχε μια περιοχή κάτω από την καμπύλη (AUC) 0.678, μια ευαισθησία 72% και ακρίβεια 72%, με σημείο αποκοπής 20.75. Το πιο σημαντικό εργαλείο ελέγχου για τον κίνδυνο οστεοπόρωσης ήταν το εργαλείο OST, το οποίο είχε μια AUC 0.643, ευαισθησία 77% και ακρίβεια 46%, με σημείο αποκοπής -2.9. Από τα τεχνητά νευρωνικά δίκτυα, το MLP έδειξε ταξινόμηση 71.33% και το RBF 75.52%. Μερικά μέσα κλινικού κινδύνου χρησιμοποιούνται και επιδεικνύουν συνήθως υψηλή ευαισθησία για τη διάκριση των ατόμων με εξακριβωμένη DXA- οστεοπόρωση ή μειωμένη οστική πυκνότητα.Η αξιολόγηση των νευρωνικών δικτύων στην οστική νόσο, την πρόβλεψη του κινδύνου κατάγματος και τη διάγνωση της οστεοπόρωσης είναι από τα σημαντικότερα σημεία έρευνας και μελέτης.