一个自动化机器学习程序能够基于在常规临床测试中获取的骨密度扫描识别潜在的心血管事件或跌倒和骨折风险。
由爱迪斯科文大学（ECU）研究人员与曼尼托巴大学联合开发的自动化机器学习程序已经能够根据在常规临床测试中进行的骨密度扫描识别潜在的心血管事件或跌倒和骨折风险。
在将算法应用于老年女性在常规骨密度测试中获取的椎体骨折评估（VFA）图像时，评估了患者腹主动脉钙化（AAC）的存在情况和程度，这通常是骨质疏松症治疗计划的一部分。
该算法显著缩短了筛查AAC的时间，预测成千上万张图像的AAC评分不足一分钟，而经验丰富的读者从一张图像中获得AAC评分则需要五到六分钟。
在她的研究中，ECU研究员卡桑德拉·史密斯博士发现，58%的老年人在常规骨密度测试中筛查时呈现中度至高度的AAC，其中四分之一的人在进入时未意识到自己有高AAC，令他们处于心脏病和中风的最高风险中。
“女性被认为在心血管疾病的筛查和治疗中处于不足状态。这项研究表明，我们可以利用广泛可用的低辐射骨密度机来识别高风险的女性，从而使她们能够寻求治疗。
“有AAC的人没有表现出任何症状，如果不进行特定的AAC筛查，这一预后往往会被忽视。通过在骨密度扫描中应用该算法，女性有更好的机会获得诊断，”史密斯博士说。
使用相同的算法，ECU高级研究员马克·西姆博士发现，这些中度到高度AAC评分的患者与低AAC评分的患者相比，发生因跌倒住院和骨折的几率更高。
“动脉钙化越高，跌倒和骨折的风险越高，”西姆博士说。
“当我们考虑传统的跌倒和骨折风险因素时，像过去一年是否跌倒和骨矿密度通常是评估某人跌倒和骨折可能性的良好指标。一些药物也与更高的跌倒风险相关。我们很少在考虑跌倒和骨折时考虑血管健康。
“我们的分析发现，AAC是跌倒风险的一个非常强的因素，实际上比其他临床确定的跌倒风险因素更为显著。”
西姆博士表示，应用于骨密度扫描的新机器算法可以为临床医生提供更多关于患者血管健康的信息，而这在跌倒和骨折风险因素中被低估。
