AI模型利用EHR和DXA数据预测骨折风险的表现优于FRAX

研究人员开发并验证了利用双能X射线吸收法（DXA）和电子健康记录（EHR）数据预测50岁以上成年人骨折风险的新模型。这些模型，包括惩罚Cox回归、随机生存森林、梯度提升生存和XGBoost生存，在区分能力上优于临床使用的FRAX评分。在内部验证中，扩展Cox模型达到了0.779的Harrell C指数，在外部验证中达到了0.714，而梯度提升生存模型在外部区分能力上最高，为0.725。建议在临床应用前进一步评估校准、前瞻性评估和实施工作流程。 AI

影响 这些先进的机器学习模型可以通过提供比现有工具更准确的骨折风险评估，从而改善骨质疏松症管理的临床决策。

排序理由 该集群基于一篇发表在arXiv上的研究论文，该论文详细介绍了用于特定医疗应用的机器学习模型的开发和验证。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• Cox proportional hazards model
• dual-energy X-ray absorptiometry
• electronic health records
• gradient-boosting survival
• Harrell C-index
• Indiana Health Information Exchange
• random survival forest
• Weill Cornell Medical Center
• XGBoost survival

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →