KI-gestützte Hüftfraktur-Vorhersage in der Bevölkerungs-Screening-Untersuchung
Von KI ausgewählt und zusammengefasst
Worum es geht
Eine schwedische Kohortenstudie entwickelte und validierte ein Deep-Learning-Modell (FRACTURE-ML) zur Vorhersage von Hüftfraktur-Risiko bei über 3,5 Millionen Personen ab 50 Jahren anhand von Diagnosen, Medikamenten und soziodemografischen Daten aus Routineunterlagen.
Ergebnis
Das Modell erreichte eine AUC von 0,89 (95%-KI 0,88–0,89) im 1-Jahres-Horizont und 0,87 im 2-Jahres-Horizont und identifizierte bei 2-Jahres-Prognose 84 % der Risikopersonen (Sensitivität) gegenüber nur 12 % bei klassischer Fraktur-Liason-Prävention (Vergleich mit Spezifität 0,79 vs. 0,98). Das Tool könnte als ressourceneffiziente primäre Screening-Lösung eingesetzt werden.
Übertragbarkeit auf Deutschland
Schwedische nationale Registerkohorte, vergleichbare öffentliche Gesundheitssysteme.
Originalstudie in PubMedIm Hub ansehenNeue Studien per E-Mail
Auswahl und deutsche Zusammenfassung stammen von einer KI und sind nicht redaktionell geprüft. Maßgeblich ist die Originalpublikation.