Deep Learning für Osteoporose-Screening auf Routine-Thoraxbildern: Kosteneffektivitätsanalyse
Von KI ausgewählt und zusammengefasst
Worum es geht
Kosteneffektivitätsanalyse eines Deep Learning-Modells zur opportunistischen Osteoporose-Detektion auf vorhandenen Thorax-Röntgenbildern bei postmenopausalen Frauen in Taiwan, unter Berücksichtigung von Diagnostic Performance, Bestätigungstestung und Therapieeinleitung.
Ergebnis
Im Basisszenario mit vollständigem Behandlungspfad war KI-Screening kosteneffektiv (ICER 21.827 USD pro QALY, unterhalb Taiwan-Schwellwert). Wirtschaftlicher Nutzen entstanden bei Osteoporose-Prävalenz >14,3%, optimale Sensitivität 86,6%, Spezifität 76,3%. In realen Taiwanese Daten sank der Wert jedoch erheblich.
Übertragbarkeit auf Deutschland
Auf Deutschland übertragbar: Erfolg hängt von Vollständigkeit der Post-Screening-Versorgungspfade ab, nicht von Modellperformance allein.
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.