ກະດູກຫັກ fragility ແລະຜົນສະທ້ອນຂອງມັນແມ່ນອາການທົ່ວໄປທີ່ສຸດຂອງ osteoporosis, ພະຍາດທີ່ແຜ່ຫຼາຍທີ່ກ່ຽວຂ້ອງກັບໂຄງກະດູກຂອງຜູ້ໃຫຍ່. ການກໍານົດຄົນເຈັບທີ່ມີຄວາມສ່ຽງສູງຕໍ່ການກະດູກຫັກກ່ອນທີ່ຈະເກີດກະດູກຫັກແມ່ນອົງປະກອບທີ່ສໍາຄັນຂອງການດູແລກະດູກພຸນ. ບັນຫານີ້ຍັງສືບຕໍ່ເປັນຄວາມກັງວົນທີ່ສໍາຄັນສໍາລັບນັກຄົ້ນຄວ້າແລະແພດຫມໍໃນທົ່ວໂລກ. ເຖິງວ່າຈະມີຄວາມຈິງທີ່ວ່າ algorithms ຈໍານວນຫນຶ່ງໄດ້ຖືກສ້າງຂື້ນເພື່ອກໍານົດຜູ້ທີ່ເປັນໂລກກະດູກພຸນຫຼືຄາດຄະເນຄວາມສ່ຽງຕໍ່ການກະດູກຫັກຂອງພວກເຂົາ, ຄວາມກັງວົນກ່ຽວກັບຄວາມຖືກຕ້ອງແລະຜົນປະໂຫຍດຂອງມັນຍັງຄົງຢູ່. ຄວາມກ້າວໜ້າທາງວິທະຍາສາດ, ເຊັ່ນເທັກໂນໂລຍີການຮຽນຮູ້ເຄື່ອງຈັກ, ແມ່ນໄດ້ຮັບການຍອມຮັບຢ່າງໄວວາເປັນວິທີການທາງເລືອກໃນການປັບປຸງການປະເມີນຄວາມສ່ຽງ ແລະການປະຕິບັດທີ່ມີຢູ່ແລ້ວ.

Osteoporosis ແມ່ນເງື່ອນໄຂຮ້າຍແຮງທີ່ຕົ້ນຕໍຜົນກະທົບຕໍ່ແມ່ຍິງ postmenopausal. ການທົດສອບມາດຕະຖານການດູແລສໍາລັບພະຍາດກະດູກພຸນປະກອບມີການປະເມີນຄວາມຫນາແຫນ້ນຂອງແຮ່ທາດກະດູກ (BMD) ໃນ femur proximal, ກະດູກສັນຫຼັງ lumbar, ແລະ, ໃນບາງກໍລະນີ, forearm ໂດຍໃຊ້ dual-energy X-ray absorptiometry (DXA). BMD ຫຼັງຈາກນັ້ນຖືກປຽບທຽບກັບກຸ່ມທີ່ອ້າງອີງ, ລວມທັງການມີເພດສໍາພັນທີ່ກົງກັນກັບຊົນເຜົ່າທີ່ມີສຸຂະພາບດີ, ປະຊາກອນຜູ້ໃຫຍ່ກ່ອນຫມົດປະຈໍາເດືອນ (ຕົວຢ່າງ, ຕ່ໍາຫຼາຍປານໃດກ່ຽວກັບຄວາມແຕກຕ່າງມາດຕະຖານ, ຫຼື T-score) ສໍາລັບການວິນິດໄສ.1,2. ອົງການຈັດຕັ້ງທີ່ເປັນມືອາຊີບ, ເຊັ່ນ: ສະມາຄົມສາກົນສໍາລັບ Clinical Densitometry, ຫນ່ວຍງານບໍລິການປ້ອງກັນຂອງສະຫະລັດ, ແລະມູນນິທິ Osteoporosis ສາກົນ, ທັງຫມົດສົ່ງເສີມຍຸດທະສາດການກວດຫາແມ່ຍິງສູງອາຍຸ, ແຕ່ການຕັດສິນໃຈວ່າເວລາໃດແລະວິທີການດໍາເນີນການກວດແມ່ນມີຄວາມຂັດແຍ້ງຫຼາຍຂຶ້ນ.

ເຄື່ອງມືການປະເມີນຕົນເອງກ່ຽວກັບກະດູກພຸນ (OST) ແມ່ນຫນຶ່ງໃນວິທີທີ່ເກົ່າແກ່ທີ່ສຸດແລະງ່າຍດາຍທີ່ສຸດໃນການກໍານົດຜູ້ທີ່ມີຄວາມສ່ຽງຕໍ່ການເປັນໂຣກກະດູກພຸນ. ເຄື່ອງມືນີ້ໃຊ້ ນ້ຳໜັກ ແລະ ອາຍຸ ເພື່ອກໍານົດຜູ້ຊາຍແລະແມ່ຍິງໃນປະຊາກອນຕ່າງໆທີ່ມີແນວໂນ້ມທີ່ຈະເປັນໂລກກະດູກພຸນ3,4,5,6,7,8,9,10,11,12,13. ສໍາລັບປະຊາກອນເພດຍິງອາຊີ, ເຄື່ອງມືຄາດຄະເນໄດ້ຖືກພັດທະນາໂດຍການລວມເອົາຂະຫນາດຂອງການພົວພັນລະຫວ່າງ ອາຍຸ ແລະ ນ້ຳໜັກ ກັບ BMD ເພື່ອຄາດຄະເນຄວາມເປັນໄປໄດ້ຂອງພະຍາດກະດູກພຸນ5,14,15.

ໂດຍການຂະຫຍາຍຈໍານວນຂອງປັດໃຈທີ່ໃຊ້ໃນການກໍານົດ osteoporosis, 12 ຕົວກໍານົດການປ້ອນຂໍ້ມູນ, ເຊັ່ນ: ປະຊາກອນ, ການດໍາລົງຊີວິດ, ແລະປະຫວັດສາດທາງການແພດໄດ້ຖືກລວມເຂົ້າໃນເຄື່ອງມືການປະເມີນຄວາມສ່ຽງກະດູກຫັກ (FRAX)໑໖. ຄ້າຍຄືກັນ, ເຄື່ອງມືສະລັບສັບຊ້ອນອື່ນໆ, ລວມທັງ ORAI17ຄະແນນ18ORISIS19ABONE20 ແລະຫຼາຍທີ່ສຸດ21, ໄດ້ລວມເອົາຄຸນລັກສະນະເພີ່ມເຕີມເພື່ອປັບປຸງການປະຕິບັດການຊອກຄົ້ນຫາ OST. ເຖິງແມ່ນວ່າການລວມເອົາປັດໃຈຄວາມສ່ຽງທີ່ໄດ້ຮັບການຍອມຮັບຈໍານວນຫລາຍຄາດວ່າຈະປັບປຸງຜົນປະໂຫຍດຂອງເຄື່ອງມືກວດ, ການສຶກສາໄດ້ເປີດເຜີຍວ່າເຄື່ອງມືພື້ນຖານເຊັ່ນ OST, ອາດຈະເຮັດວຽກເຊັ່ນດຽວກັນກັບລະບົບທີ່ມີລະບົບທີ່ສັບສົນຫຼາຍ, ໃນຂະນະທີ່ການທົບທວນລະບົບທີ່ຜ່ານມາໄດ້ເນັ້ນຫນັກເຖິງທ່າແຮງແລະຂໍ້ຈໍາກັດເຫຼົ່ານີ້. .ວິທີການ.

ຮູບແບບການຮຽນຮູ້ເຄື່ອງຈັກເພື່ອຄາດຄະເນຄວາມສ່ຽງຕໍ່ການເປັນໂລກກະດູກພຸນ

ນັກວິທະຍາສາດທົ່ວໂລກຮັບຮູ້ osteoporosis ເປັນບັນຫາສຸຂະພາບສາທາລະນະທີ່ສໍາຄັນ. ໃນຂະນະທີ່ການປິ່ນປົວສາມາດຫຼຸດຜ່ອນຄວາມສ່ຽງຂອງກະດູກຫັກໂດຍ 33% ຫາ 50%22ມີພຽງແຕ່ສ່ວນນ້ອຍຂອງຄົນເຈັບ, ລວມທັງຜູ້ທີ່ເຄີຍມີປະສົບການກະດູກຫັກ osteoporotic, ໄດ້ຮັບການວິນິດໄສແລະການປິ່ນປົວທີ່ເຫມາະສົມ. ນອກຈາກນັ້ນ, ການກໍານົດຢ່າງຖືກຕ້ອງຂອງຄົນເຈັບທີ່ມີຄວາມສ່ຽງສູງແລະ / ຫຼືຄ່າໃຊ້ຈ່າຍສູງໃນວິທີທີ່ໄວແລະຖືກຕ້ອງຄາດວ່າຈະເສີມຂະຫຍາຍການຄຸ້ມຄອງສຸຂະພາບທີ່ມີປະສິດທິພາບ, ພ້ອມທັງເສີມຂະຫຍາຍການຕັດສິນໃຈທາງດ້ານຄລີນິກແລະປັບປຸງການວາງແຜນແລະນະໂຍບາຍການບໍລິການ.23,24. ໃນຊຸມປີມໍ່ໆມານີ້, ຮູບແບບການຮຽນຮູ້ຂອງເຄື່ອງຈັກໄດ້ຖືກປະສົມປະສານເຂົ້າໃນການຄາດຄະເນໂລກກະດູກພຸນ, ຄຽງຄູ່ກັບການນໍາໃຊ້ຂໍ້ມູນໃຫຍ່ດ້ານການດູແລສຸຂະພາບຢ່າງມີປະສິດທິພາບ, ນໍາໄປສູ່ການປັບປຸງຄຸນນະພາບແລະປະສິດທິພາບຂອງການວາງແຜນແລະການຈັດສົ່ງສຸຂະພາບ. ນອກຈາກນັ້ນ, ການກໍານົດພະຍາດເບື້ອງຕົ້ນ (ໂດຍຜ່ານການແຊກແຊງແລະການປິ່ນປົວທີ່ງ່າຍດາຍ, ສໍາລັບການຍົກຕົວຢ່າງ), ການຄຸ້ມຄອງສຸຂະພາບທີ່ກໍາຫນົດເອງ, ແລະການກວດພົບປະສິດທິພາບຂອງການສໍ້ໂກງໃນການດູແລສຸຂະພາບແມ່ນບາງຂໍ້ໄດ້ປຽບທີ່ເປັນໄປໄດ້.25. ເທັກໂນໂລຍີປັນຍາປະດິດ (AI) ໄດ້ຮັບການພັດທະນາໂດຍອີງໃສ່ການສ້າງແບບຈໍາລອງທາງຄະນິດສາດໃນໄລຍະຫຼາຍປີ. ຊອບແວ AI ໄດ້ຖືກນໍາໃຊ້ກັບສາຂາວິຊາຕ່າງໆ, ລວມທັງການສໍາຫຼວດການລະບາດ26ການ​ຄົ້ນ​ພົບ​ຢາ​ເສບ​ຕິດ​27ແລະ radiology ການວິນິດໄສ28. ໃນຈຸດນີ້, ອຸປະກອນຊ່ວຍຄອມພິວເຕີໄດ້ຖືກປະສົມປະສານເຂົ້າໃນການປະຕິບັດທາງຄລີນິກເພື່ອກວດຫາຄວາມຜິດປົກກະຕິກ່ຽວກັບພະຍາດທາງເດີນຫາຍໃຈໃນຮູບພາບ X-ray ຫນ້າເອິກ.29,30,31. ການປະຕິບັດຢູ່ໃນເວັບໄຊທ໌ຂອງຊອບແວ AI ພິສູດຂໍ້ໄດ້ປຽບຂອງມັນເພື່ອຫຼຸດຜ່ອນຄວາມລໍາອຽງໃນການວິນິດໄສ, ເອົາຊະນະບັນຫາທີ່ຫຍຸ້ງຍາກແລະເສີມຂະຫຍາຍການຄົ້ນພົບກໍລະນີທີ່ມີການເຄື່ອນໄຫວຢູ່ໃນຊຸມຊົນ. Codlin et al. ລວມມີ 12 ຊອບແວ AI ເພື່ອຄາດຄະເນການເປັນວັນນະໂລກໃນຮູບພາບ X-ray ຫນ້າເອິກທີ່ລະບຸໄວ້ໃນການປະເມີນຜົນການປະຕິບັດເອກະລາດ, ເຊິ່ງເຄິ່ງຫນຶ່ງຂອງຊອບແວ AI ມີມູນຄ່າສະເພາະສູງກວ່າຂອງ radiologist ລະດັບປານກາງ.28.

ໃນການສຶກສາໂດຍ Erjiang et al.32, 7 ຮູບແບບການຮຽນຮູ້ເຄື່ອງຈັກ—CatBoost, eXtreme Gradient Boosting, Neural Networks (NN), Bagged Flexible Discriminant Analysis, Random Forest (RF), Logistic Regression (LoR) ແລະ Support Vector Machines (SVM)—ຖືກຈັດຕັ້ງປະຕິບັດເພື່ອໃຫ້ໄດ້ແບບຈໍາລອງທີ່ເໝາະສົມທີ່ສຸດ. ເພື່ອຄວາມແຕກຕ່າງລະຫວ່າງຄົນເຈັບທີ່ມີແລະບໍ່ມີ osteoporosis ໂດຍໃຊ້ DXA T-scores. Ho-Pham et al. ນຳໃຊ້ຮູບແບບການຮຽນຮູ້ຂອງເຄື່ອງຈັກ 4 ແບບ – ເຄືອຂ່າຍ neural ທຽມ (ANN), LoR, SVMs ແລະ k-ໃກ້ຄຽງທີ່ສຸດ – ກັບຂໍ້ມູນສະໂພກ BMD ຂອງແມ່ຍິງອົດສະຕຣາລີເພື່ອລະບຸການກະດູກຫັກຂອງສະໂພກ.33. Ou Yang et al. ປະຕິບັດຫ້າຕົວແບບ ML—ANN, SVM, RF, K-ໃກ້ທີ່ສຸດປະເທດເພື່ອນບ້ານ (KNN), LoR — ມີຫຼາຍລັກສະນະ, ເຊິ່ງໄດ້ຖືກຈັດປະເພດເປັນຂົງເຂດຕ່າງໆທີ່ກ່ຽວຂ້ອງກັບສຸຂະພາບຂອງກະດູກ.34. ການສຶກສານີ້ໄດ້ກວດເບິ່ງ 16 ລັກສະນະການປ້ອນຂໍ້ມູນສໍາລັບຜູ້ຊາຍແລະ 19 ລັກສະນະການປ້ອນຂໍ້ມູນສໍາລັບແມ່ຍິງເພື່ອກໍານົດຄວາມສໍາພັນລະຫວ່າງການປະກົດຕົວຂອງລັກສະນະບາງຢ່າງແລະຄວາມສ່ຽງຕໍ່ການເປັນໂຣກກະດູກພຸນໃນປະຊາກອນໄຕ້ຫວັນ. ວິທີການຮຽນຮູ້ເຄື່ອງຈັກອື່ນໆທີ່ໃຊ້ OST ເພື່ອຄາດຄະເນໂລກກະດູກພຸນໄດ້ຖືກທົບທວນຄືນໂດຍ Ferizi et al.1.

ພະຍາດກະດູກພຸນ ແລະ ກະດູກຫັກທີ່ເສື່ອມໂຊມ ໄດ້ຖືກຮັບຮູ້ວ່າເປັນບັນຫາສາທາລະນະສຸກທີ່ສຳຄັນໃນຫຼາຍປະເທດທີ່ກຳລັງພັດທະນາ, ໂດຍສະເພາະຫວຽດນາມ. ການຂາດອຸປະກອນ DXA ເພື່ອວິນິດໄສໂລກກະດູກພຸນໃນປະເທດເຫຼົ່ານີ້ຮຽກຮ້ອງໃຫ້ມີຮູບແບບການຄາດຄະເນສໍາລັບການປະເມີນສ່ວນບຸກຄົນ. Ho-Pham et al. ສະເຫນີຮູບແບບການຄາດຄະເນສໍາລັບການປະເມີນສ່ວນບຸກຄົນຂອງ osteoporosis ໂດຍອີງໃສ່ ອາຍຸ ແລະ ນ້ຳໜັກ ສໍາລັບຜູ້ຊາຍແລະແມ່ຍິງ14. ​ໃນ​ການ​ສຶກສາ​ຄັ້ງ​ນີ້, ​ໄດ້​ນຳ​ໃຊ້​ຕົວ​ແບບ LoR ​ໂດຍ​ໃຊ້​ຂໍ້​ມູນ​ຈາກ​ປະຊາກອນ​ໃນ​ນະຄອນ ​ໂຮ່ຈີ​ມິນ ​ເພື່ອ​ພັດທະນາ​ເຄື່ອງ​ມື​ຂອງ​ແຕ່ລະ​ເພດ, ດ້ວຍ​ຄວາມ​ຖືກຕ້ອງ​ທີ່​ດີ. ນັກຄົ້ນຄວ້າໄດ້ພັດທະນາແລະກວດສອບຮູບແບບການຄາດເດົາໂດຍອີງໃສ່ ອາຍຸ ແລະ ນ້ຳໜັກ ​ເພື່ອ​ຄາດ​ຄະ​ເນ​ຄວາມ​ສ່ຽງ​ອັນ​ແທ້​ຈິງ​ຂອງ​ພະຍາດ​ກະດູກ​ພຸນ​ໃນ​ປະຊາກອນ​ຫວຽດນາມ14. ເຖິງຢ່າງໃດກໍ່ຕາມ, ການສຶກສາບໍ່ຫຼາຍປານໃດໄດ້ສຸມໃສ່ການຄາດຄະເນຂອງ OST ກ່ຽວກັບພະຍາດກະດູກພຸນໃນຂົງເຂດອື່ນໆໃນຫວຽດນາມ. ການສຶກສາຈຸດປະສົງຕົ້ນຕໍຂອງພວກເຮົາແມ່ນເພື່ອສ້າງເຄື່ອງມືເພື່ອປະເມີນຄວາມສ່ຽງຕໍ່ການເປັນໂລກກະດູກພຸນຈາກຂໍ້ມູນ OST ໃນແມ່ຍິງທີ່ມີອາຍຸຫຼາຍກວ່າ 50 ປີໃນພາກເຫນືອຂອງຫວຽດນາມ. ຄຽງ​ຄູ່​ກັນ​ນັ້ນ, ຍັງ​ບໍ່​ທັນ​ຮູ້​ຈັກ​ການ​ເຄື່ອນ​ໄຫວ​ຂອງ​ຕົວ​ແບບ​ທີ່​ສະ​ເໜີ​ໂດຍ Ho-Pham et al.14 ເມື່ອນຳໃຊ້ກັບປະຊາກອນໃໝ່. ຮູບແບບຂອງ Ho-Pham ໄດ້ພິສູດຄວາມຖືກຕ້ອງດີຂອງຕົນໃນລະຫວ່າງການກວດສອບພາຍໃນ14 ໃນຂະນະທີ່ປະສິດທິພາບຂອງມັນໃນການຄາດຄະເນໂລກກະດູກພຸນໃນລະຫວ່າງການກວດສອບພາຍນອກບໍ່ໄດ້ຖືກລາຍງານຢ່າງຈະແຈ້ງ. ດັ່ງນັ້ນ, ຈຸດປະສົງທີສອງຂອງພວກເຮົາແມ່ນເພື່ອຢັ້ງຢືນຕົວແບບຢ່າງເປັນເອກະລາດຂອງເຄື່ອງມືການປະເມີນຕົນເອງກ່ຽວກັບໂຣກ Osteoporosis ສໍາລັບຊາວອາຊີ (OSTA) ແລະຮູບແບບທີ່ພັດທະນາໂດຍ Ho-Pham et al.14 ກ່ຽວ​ກັບ​ປະ​ຊາ​ກອນ​ໃຫມ່​. ນອກ​ຈາກ​ນັ້ນ ອາຍຸ ແລະ ນ້ຳໜັກຂໍ້ມູນຂອງພວກເຮົາໃນປັດຈຸບັນປະກອບມີ ຄວາມສູງ, ສະຖານທີ່ຕັ້ງພູມສາດ (ເຂດຕົວເມືອງ/ຊົນນະບົດ) ແລະຜົນການກວດເລືອດຂອງອາຊິດ uric, cholesterol, creatinine, FT4, glucose, HbA1c, Ure, AST, TSH, calcium ແລະ GGT. ໃນການສຶກສາຂອງເຂົາເຈົ້າ, Ou Yang et al. ສະຫຼຸບໄດ້ວ່າຕົວກໍານົດການກວດເລືອດສະເພາະແມ່ນກ່ຽວຂ້ອງກັບ OST (ຕົວຢ່າງ, creatinine) ເພື່ອຄາດຄະເນໂລກກະດູກພຸນ, ໃນຂະນະທີ່ອື່ນໆ (ຕົວຢ່າງ, TSH) ມີມູນຄ່າທີ່ບໍ່ສໍາຄັນໃນການຄາດຄະເນໂລກກະດູກພຸນໃນປະຊາກອນໄຕ້ຫວັນ.34. ຢ່າງໃດກໍຕາມ, ກົງກັນຂ້າມກັບ Ou Yang et al. ກ່ຽວກັບອິດທິພົນຂອງ TSH ໃນຄົນເຈັບອາເມລິກາເຫນືອ, Jamal et al. ແນະນໍາໃຫ້ຄົນເຈັບທີ່ສົງໃສວ່າເປັນພະຍາດກະດູກພຸນໂດຍອີງໃສ່ຄະແນນ OST ຂອງເຂົາເຈົ້າທີ່ຜ່ານການທົດສອບ TSH34,35. ສະ​ນັ້ນ, ຈຸດ​ປະ​ສົງ​ທີ​ສາມ​ຂອງ​ການ​ຄົ້ນ​ຄວ້າ​ຂອງ​ພວກ​ເຮົາ​ແມ່ນ​ເພື່ອ​ຢັ້ງ​ຢືນ​ຂໍ້​ສະ​ຫຼຸບ​ຂອງ​ທ່ານ​ອູ​ຢາງ34 ແລະ Jamal35 ​ໂດຍ​ນຳ​ໃຊ້​ຊຸດ​ຂໍ້​ມູນ​ທີ່​ເກັບ​ກຳ​ຢູ່​ໂຮງໝໍ​ມະ​ຫາ​ວິ​ທະ​ຍາ​ໄລ​ການ​ແພດ​ຮ່າ​ໂນ້ຍ ພ້ອມ​ທັງ​ຊອກ​ຮູ້​ບັນດາ​ປັດ​ໄຈ​ໃໝ່​ທີ່​ຕິດ​ພັນ​ກັບ​ຜົນ​ງານ OST.

ຄວາມສໍາຄັນຂອງການສຶກສາ

ການຄົ້ນພົບຂອງການສຶກສານີ້ຈະສະຫນອງຫຼັກຖານທີ່ມີຄຸນຄ່າເພື່ອເສີມສ້າງທ່າແຮງຂອງເຄື່ອງຈັກໃນການຮຽນຮູ້ເຄື່ອງຈັກເພື່ອໃຊ້ເປັນເຄື່ອງມືສະຫນັບສະຫນູນການຕັດສິນໃຈໃນແງ່ຂອງການກວດສອບໂລກກະດູກພຸນທີ່ແຜ່ຂະຫຍາຍ. ການ​ສຶກສາ​ຍັງ​ຈະ​ນຳ​ສະ​ເໜີ​ຜົນ​ການ​ຄົ້ນ​ຄ້ວາ​ສະໜັບສະໜູນ​ເພື່ອ​ຊຸກຍູ້​ການ​ຫັນ​ເປັນ​ດິຈິ​ຕອນ​ຂອງ​ການ​ບົ່ງມະຕິ​ການ​ແພດ​ຢູ່​ຫວຽດນາມ. ນອກ​ນັ້ນ, ບັນດາ​ຂໍ້​ກຳນົດ​ທີ່​ສະ​ແດງ​ໃຫ້​ເຫັນ​ເຖິງ​ການ​ປະກອບສ່ວນ​ອັນ​ໃຫຍ່​ຫຼວງ​ຕໍ່​ຄວາມ​ສ່ຽງ​ຂອງ​ພະຍາດ​ກະດູກ​ພຸນ​ແມ່ນ​ຈະ​ຖືກ​ຊີ້​ອອກ ​ແລະ ອາດ​ຈະ​ເປັນ​ການ​ພິຈາລະນາ​ອັນ​ລ້ຳ​ຄ່າ​ຂອງ​ບັນດາ​ຜູ້​ວາງ​ນະ​ໂຍບາຍ​ລັດຖະບານ​ຫວຽດນາມ.

Categories: AiHome

0 Comments

Leave a Reply

Avatar placeholder

Your email address will not be published. Required fields are marked *