• Analiza objęła 3 542 647 osób ≥50 r.ż., obserwowanych medianowo przez ok. 9 lat. W tym czasie wystąpiło 142 327 złamań biodra.
• Model DeepSurv wykorzystujący dane rejestrowe osiągnął AUC 0,89 po roku, 0,88 po 2 latach i 0,85 po 5 latach. Co ważne, uproszczona wersja z tylko 35 predyktorami zachowała bardzo dobrą skuteczność.
• Dla prognozy 2-letniej model miał czułość ok. 83–84%, podczas gdy podejście oparte na niedawnym złamaniu, odpowiadające strategii FLS, ok. 12%. Innymi słowy: wykrywał około 7 razy więcej przyszłych przypadków wysokiego ryzyka, kosztem niższej swoistości.
• To może otwierać drogę do automatycznego, populacyjnego screeningu ryzyka i kierowania wybranych osób do dalszej diagnostyki. Nie oznacza jednak, że sam algorytm rozpoznaje osteoporozę ani że powinien zastępować ocenę kliniczną.
Ograniczenia: badanie przeprowadzono wyłącznie na danych ze Szwecji; brak zewnętrznej walidacji i badań wdrożeniowych. Przy niskiej częstości złamań dodatnia wartość predykcyjna pozostaje ograniczona.
Wniosek:
RACTURE-ML dobrze identyfikował osoby zagrożone złamaniem biodra na podstawie danych rutynowo zbieranych w systemie ochrony zdrowia; dla prognozy 2-letniej model miał czułość ok. 83–84%.
Źródło: https://journals.plos.org/plosmedicine/article?id=10.1371/journal.pmed.1005190