JP2004000556A - 骨粗鬆症のスクリーニング法 - Google Patents
骨粗鬆症のスクリーニング法 Download PDFInfo
- Publication number
- JP2004000556A JP2004000556A JP2003109962A JP2003109962A JP2004000556A JP 2004000556 A JP2004000556 A JP 2004000556A JP 2003109962 A JP2003109962 A JP 2003109962A JP 2003109962 A JP2003109962 A JP 2003109962A JP 2004000556 A JP2004000556 A JP 2004000556A
- Authority
- JP
- Japan
- Prior art keywords
- risk
- bmd
- osteoporosis
- individual
- measurement
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 208000001132 Osteoporosis Diseases 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims description 38
- 238000012216 screening Methods 0.000 title description 24
- 238000005259 measurement Methods 0.000 claims abstract description 56
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 31
- 229910052500 inorganic mineral Inorganic materials 0.000 claims abstract description 15
- 239000011707 mineral Substances 0.000 claims abstract description 15
- 238000004590 computer program Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 13
- 238000009547 dual-energy X-ray absorptiometry Methods 0.000 description 26
- 238000012360 testing method Methods 0.000 description 21
- 206010017076 Fracture Diseases 0.000 description 16
- 208000010392 Bone Fractures Diseases 0.000 description 14
- 230000035945 sensitivity Effects 0.000 description 11
- 238000010521 absorption reaction Methods 0.000 description 10
- 230000002093 peripheral effect Effects 0.000 description 9
- 201000010099 disease Diseases 0.000 description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 7
- 238000002601 radiography Methods 0.000 description 7
- 230000004927 fusion Effects 0.000 description 6
- 238000002604 ultrasonography Methods 0.000 description 6
- 230000005855 radiation Effects 0.000 description 5
- 238000012502 risk assessment Methods 0.000 description 5
- 230000037182 bone density Effects 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000001739 density measurement Methods 0.000 description 4
- 210000001624 hip Anatomy 0.000 description 4
- 210000001981 hip bone Anatomy 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 210000000707 wrist Anatomy 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 3
- 210000000459 calcaneus Anatomy 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 210000003414 extremity Anatomy 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 238000013102 re-test Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 229940011871 estrogen Drugs 0.000 description 2
- 239000000262 estrogen Substances 0.000 description 2
- 210000000474 heel Anatomy 0.000 description 2
- 238000002657 hormone replacement therapy Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- 230000037081 physical activity Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000000391 smoking effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 208000020084 Bone disease Diseases 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 206010020100 Hip fracture Diseases 0.000 description 1
- 208000029725 Metabolic bone disease Diseases 0.000 description 1
- 208000001164 Osteoporotic Fractures Diseases 0.000 description 1
- 206010034156 Pathological fracture Diseases 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000013477 bayesian statistics method Methods 0.000 description 1
- 238000007475 c-index Methods 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 210000000245 forearm Anatomy 0.000 description 1
- 210000004247 hand Anatomy 0.000 description 1
- 210000000236 metacarpal bone Anatomy 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 229940127234 oral contraceptive Drugs 0.000 description 1
- 239000003539 oral contraceptive agent Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 206010039073 rheumatoid arthritis Diseases 0.000 description 1
- 210000000614 rib Anatomy 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/505—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of bone
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0875—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of bone
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Dentistry (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Veterinary Medicine (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
【課題】骨粗鬆症の危険のある人を発見する
【解決手段】骨の鉱物密度(BMD)測定および、前以て規定された危険因子の適用性に関する評価値を組み合わせることにより得られる総合点の結果を組み合わせて、個人が骨粗鬆症の危険下にあるかどうかを示す値をもたらす。
【選択図】 なし
【解決手段】骨の鉱物密度(BMD)測定および、前以て規定された危険因子の適用性に関する評価値を組み合わせることにより得られる総合点の結果を組み合わせて、個人が骨粗鬆症の危険下にあるかどうかを示す値をもたらす。
【選択図】 なし
Description
【0001】
【発明の属する技術分野】
本発明は骨粗鬆症の危険下ある個人の発見法に関する。
【0002】
【従来の技術】
骨粗鬆症は骨質量の喪失および骨の微細構造の劣化を特徴として、骨折の危険性をもたらす、広範囲にわたる疾患である。関与するすべてのパラメーターのうちで、低い骨質量が、特に腰骨、脊椎および手首の骨の脆弱性および骨折の危険性を決定するもっとも重要な因子である。骨粗鬆症は米国のみにおいて26百万人以上が罹患するが、本疾患を罹患する女性の10%未満および男性の1%のみが診断され、処置を受ける。骨粗鬆症を予防または、それが開始した後に進行を遅らせるためには、最初にその個人が危険下にあるかどうかを知らなければならない。無症候人口中で危険下にある個人を発見することをスクリーニングと呼ぶ。
【0003】
無症候の個人における低い骨質量を検出するために、数々の放射線学的スクリーニング試験が提唱されてきた。骨質量測定の最近の非侵襲的方法の一つは骨鉱物密度(bone mineral density:BMD)測定である。BMD測定の方法には通常の骨格放射線撮影(放射線測定法および吸収測定法)、SPA(単一光電子吸収測定法)、DPA(二重光電子吸収測定法)、DXA(二重−エネルギーX−線吸収測定法)、定量計算断層X線撮影法(QCT)および超音波法(US)が含まれる。BMDを測定するための最近の最適な基準は最古のフィルムに基づいた方法に徐々に取って代わってきたDXAである。しかし、DXA法は甚大な獲得時間、従って実質的な診断時間、十分訓練されたオペレーターおよび高価な装置を必要とし、そして従って質量スクリーニング手段としてのその使用可能性は制約される。QCT(定量計算断層X線撮影法)は脊椎の横断切片および小柱領域の解剖学および密度の検査には著しく正確であるが、費用および高い放射線暴露のために日常的なスクリーニング試験としてはあまり実際的ではない。DXA(二重−エネルギーX−線吸収測定法)およQCT(定量計算断層X線撮影法)はそれらが脊椎および腰部の測定値を提供する点で軸方向の方法である。
【0004】
フィルム上に記録される通常の骨格のX線は骨の障害および骨折を検出するために使用されるが、それらは骨質量を測定する点では制約された価値をもつ。しかし、計算された放射線撮影法および直接的(ディジタル)放射線撮影法のようなディジタルX線法の出現により、それらの固有の精度がディジタル測定値により実質的に高められるので、通常の骨質量測定法が新たな興味を獲得するようになった。放射線吸収測定法およびディジタルX線放射線撮影法の報告されている精度は1%の次元にあり、それは確立されたDXA(二重−エネルギーX−線吸収測定法)のものの範囲内に十分に入るかまたはそれより下である。更に、これらの方法はそれらが四肢の骨格を分析する点で末梢と呼ばれ、従って臨床的実行の操作がずっと早急である。しかし、それらが末梢的測定値を提供する事実を考慮して、BMD(骨鉱物密度)の腰部BMDおよび腰部骨折の危険度との相関は制約され、疑問視される。
【0005】
骨折予防の手段としてのスクリーニングには重要な限界が存在する。骨密度の1個の測定値においては、不正確な値の僅かな危険性が存在し、かつ骨折を起こす患者とそうでない患者の間を明確に区別するBMD(骨鉱物密度)値は存在しない。
【0006】
【特許文献1】
米国特許第5712892号明細書
【0007】
【特許文献2】
米国特許第6246745号明細書
【0008】
【特許文献3】
米国特許第5917877号明細書
【0009】
【発明が解決しようとする課題】
高い成功率を伴なう、骨粗鬆症の危険下にある個人を同定するためのスクリーニング法を提供することが本発明の目的である。
【0010】
【課題を解決するための手段】
前記の目的は請求項1に提示される具体的な特徴物を有する方法により実現される。
【0011】
本発明の具体的な態様は付記の請求項に提示される。
【0012】
本発明の具体的なアスペクトは計算機上で実施される時に、本発明の方法を実施するように適応された計算機プログラムのプロダクト(product)に関する。本発明は更に、本発明の方法の段階を実施するように適応された、計算機で実行可能なプログラムコードを含んで成る、CD−ROMのような計算機で読み取り可能なキャリヤー媒体に関する。
【0013】
更にもう一つのアスペクトは本発明の方法を実施するためのシステムに関する。これらのシステムは、BMD測定結果および例えば、問診票によりまたは日常的身体検査をとおして収集した危険因子の値を入力すると、本発明の段階を実施するようにプログラムされた計算機を含んで成る。
【0014】
【実施例】
骨鉱物密度測定を実施するための方法の具体的な態様は放射線撮影法および放射線吸収測定法である。これらの方法は簡単で、安価であり、双方の特徴は経済的制限時に重要である。
【0015】
放射線撮影に基づいたBMD(骨鉱物密度)測定は映像の面における幾何学的測定の実施および、BMD測定と骨折の危険度へのこれらの測定値の関連する表現から成る。放射線撮影法における根本的推定は、骨粗鬆症が発症すると、小管状骨の外皮厚さが減少し、他方、骨内膜の吸収のために骨髄腔が拡大する事実に基づく。管状骨の外径Dおよびその内径dが測定される。
【0016】
下記は放射線撮影測定値の例である、
・外皮インデックス=(D−d)/D、合わせた外皮の厚さ=D−d。骨内膜の吸収が起ると、外皮インデックスおよび合わせた外皮厚さが減少する。
・相対的外皮面積=100*(D2−d2)/D2であり、外皮面積=(D2−d2)、
・面積当たりの容量VPA=f*d*(1−d/D)であり、ここでfは管状骨に推定される幾何学的モデルに応じた幾何学的因子である(円筒に対してはf=PI)。
【0017】
前記に概説した原理に従うディジタルX線放射線撮影測定を使用する骨のBMD(骨鉱物密度)測定法は先行技術分野で既知である。例えば、欧州特許第1 046 374号明細書にこのような方法が開示された。
【0018】
臨床研究により、DXA(二重−エネルギーX−線吸収測定法)により脊椎で0.60、DXAにより腰骨で0.56、そしてDXAによりとう骨で0.83の、3カ所の中央の中手骨におけるディジタル放射線撮影法のVPA(面積当たり容量)測定値の相関が報告され、前者の値はもっともらしく、対応する骨格部位のために比較的高い。
【0019】
放射線吸収測定(RA)に基づくBMD測定はフィルムまたはディジタル映像上の骨領域の密度を、同時に放射線撮影したアルミナムの対照ウェッジの密度と比較する。通常これらの領域は3本の中央の指の中央節骨である。結果はアルミナムの厚さの単位当量で表わす。ソフトウェアは軟組織の補正を包含することができる。
【0020】
特許文献1は、身体の四肢領域および目盛合わせのウェッジに連続スペクトルのX線ビーム、X線映像をディジタル映像信号に変換するためのX線映像変換器および、身体の四肢に対応する領域の映像信号を引き出し、そして骨密度測定値に変換するための映像プロセッサーにかけることに基づくBMD(骨鉱物密度)測定法を開示している。
【0021】
特許文献2および特許文献3は、複数のX線エネルギーによりまたはエネルギー選択的複数フィルムのいずれかにより獲得された、更なる露出をを使用する、放射線吸収測定(手首または踵骨の)に基づくBMD測定値を計算する方法を開示している。
【0022】
臨床研究により、DXA(二重−エネルギーX−線吸収測定法)により脊椎で0.66、DXAにより腰骨で0.55、そしてDXAによりとう骨で0.76の数字II、IIIおよびIVの指の中央節骨上で計算したディジタルRA(放射線吸収法)測定値の相関が報告され、前者の値は相当する骨格部位のためにもっともらしく、比較的高い。放射線測定と吸収測定のDXAとの相関の間の差異はDXAによる脊椎(p=0.30)およびDXAによる腰骨(p=0.95)に対しては有意でないが、DXAによるとう骨(p=0.07)に対しては有意である。
【0023】
末梢骨格を研究するために使用されるもう一つの重要な方法は、踵骨(踵)の定量的超音波走査法(QUS)である。手および手首のような部位は接近しやすく、踵骨は高率の小柱状骨を含む。超音波装置はイオン化光線を使用しないので魅力的である。広域超音波減衰(BUA)および音速度(SOS)が、測定される主要な超音波変数であり、それらは骨密度および骨構造の双方に関連する。これらの変数に基づいた、硬さインデックスと呼ばれる臨床的測定値が提供され、それは腰骨および脊椎のDXAにより測定されるようなBMDに匹敵する骨粗鬆症による骨折の危険度を示す。
【0024】
BMD測定法の更にその他の態様は末梢定量的計算機断層撮影法(p−QCT)または末梢二重エネルギーX線吸収測定法(p−DEXA)に基づく。
【0025】
部位に得意的な予測のためには、個人における骨折の危険度を予測するためにはどんな骨の密度測定も使用することができるが、興味深い部位を測定するべきである(すなわち腰骨骨折の危険度を予測する時は腰骨を測定する)。不幸にも、特に初期閉経後期間には、同一人物において異なる部位で実施された、異なるBMD測定値の間に不一致が存在する。そのため、実際には、中央または末梢骨格の測定の選択は年齢による。しかし、スクリーニングの仕事のためには、前腕または踵のような、接近が容易な骨格部位が必要であり、これらの部位のBMD測定値は軸方向のBMD測定値とは中程度に相関するのみである。
【0026】
本発明者は、末梢BMD測定値のみの使用に伴なう欠点を補完するために、骨折の危険度を予測させる、末梢BMD測定以外の追加の因子を総合的スクリーニング法に取込む必要があることを見いだした。本発明に従うと、前以て規定された危険度因子の適用性に関する評価値を計算機に入力する。危険度因子の値は例えば、スクリーニングされる個人に問診表に書き込ませることにより、または通常の身体検査のいずれかにより、収集することができる。
【0027】
骨折の危険度はまた、骨の鉱物密度測定値以外の因子の組み合わせによりモデルを形成することもできる。この方法は予測危険度評価(RS)モデルのクラスに入る。予測評価モデルまたは「危険度評価」モデルは明白な説明力を有し、使用が簡単である。このようなモデルにおいて、選択された独立の変数に対する評価値を最大c−インデックス[ROC(レシーバーオペレイティング特性)曲線の下方面積に等しい]により決定されるロジスティック回帰(またはCox比例ハザード回帰)モデルの正規化ベータ係数から誘導される。評価値は総合危険度に加算され、次に履歴危険度と相関される。
【0028】
前以て規定される危険因子は例えば、年齢、体重、身長、身体質量インデックス、人種、ホルモン置き換え治療およびカルシウム摂取のような特定の医薬摂取、以前の骨折の個人的病歴並びに骨粗鬆症の家族歴、喫煙、アルコールの使用または身体活動のような生活様式の因子である。
【0029】
危険因子には、絶対的な変数および連続的な変数が含まれ得る。連続的な変数は例えば、年齢、体重および身長、身体質量インデックスである。身長、腰骨の軸長および大腿の長さのような骨の幾何学構造の寄与は、落下による骨折の危険度増加と関連する連続的な変数である。絶対的な変数は不連続的数値のみをとり、例えば、民族の種類、喫煙状態および身体活動を含む変数である。
【0030】
これらの危険因子の値の評価から、下記のような幾つかの評価値を誘導することができる、すなわち
・ 単純計算骨粗鬆症危険度予測(SCORE)。
【0031】
候補因子の大きな貯留物から、実際のt−スコアをモデルにするために多変数線形回帰を、そして低い骨密度の危険度をモデルにするために多変数ロジスティック回帰を使用して回帰(reduced)セットを誘導した。候補の線形およびロジスティック回帰モデルのスクリーニング特性を感受性および、90%の感受性を与える確率のカットポイント値に対する特異性を計算することにより評価した。
【0032】
その最後の形態において、それはそれぞれ、女性に対する下記の因子および関連体重から成る用語を使用する、
人種、非黒人の場合には(5点)
+リューマチ様関節炎が存在する場合には(4点)
+骨折の病歴(腰、手首または肋骨のいずれかの各型の骨折に4点を加える)
+(3*年齢)/10(切り捨て)
+ホルモン置き換え治療(1点)
−(体重(ポンド)/10)(切り捨て)。
評価点≧6は要検査を示す。
・骨粗鬆症危険度評価点装置(ORAI)は下記のシステムを使用する、75歳以上の年齢に15点、65〜74歳に9点、55〜64歳に5点、体重<60kgに9点、60〜69.9kgに3点そして、最近エストローゲンを摂取していない場合に2点。≧9の評価点は要検査を示す。
・年齢、身体の大きさ、エストローゲンなしの評価(ABONE)は下記の評価システムを使用する、年齢>65歳の場合に1点、体重<63.5kgの場合に1点、そして経口避妊薬またはエストローゲンを少なくとも6カ月摂取しない場合に1点。評価点が≧6は要検査を示す。体重の基準は単に、体重<70kgを検査の基準として使用する。
【0033】
それらの簡便性にもかかわらず、人口統計学および患者のデータに独占的に基づいた危険度評価法の性能は多数スクリーニングプログラムを確立するための単独の基礎として使用するには低すぎると考えられる。
【0034】
本発明の発明者はBMD測定値と前記の危険因子の組み合わせが性能増加をもたらすことを見いだした。
【0035】
前以て規定された危険因子に関与する個人の評価値を組み合わせる方法は組み合わせのレベルに従って大まかに2群に分類することができる、(1)いずれかの特徴を単一の分類構造物中に組み合わせる、または(2)特徴の分類体を第2段階の分類システムにより組み合わせる。
(1)組み合わせた特徴の分類
骨粗鬆症の危険度のd測定値が収集される本発明に従うスクリーニング法において、Rdからの、セット(危険下にある、危険下にない)への作図を実施することができる。これらの作図はd−次元入力ベクトルおよび2種の出力クラスをもつ分類システムの特徴を表わす。
【0036】
幾つかの組み合わせた特徴分類システムが適用可能である。
【0037】
幾つかのパラメーターを特徴とする、パラメーター分類システムは、各クラスの特徴が、クラスに条件付きの特徴の確率密度関数(PDF)に従うと想定される。例えば、平均値ベクトルおよび特徴の共分散マトリックスは多次元正規分布(多変数ガウス型、MVG)を特徴とする。データからの研究により、この固定数のモデルのパラメーターを推定させる。仮定されたモデルが実際のものと異なる場合は、この型の分類システムは確実にモデル−ミスマッチエラーを受けるはずである。このような分類システムの1例は線形または2次ベイズの分類システムである。
【0038】
非パラメーター分類システムは存在する特徴の確率密度関数に制約を与えない。データからの研究は、ずっと多数のパラメーター(例えば、ガウスの混合モデル、GMM)を推定する更に労力を要する段階を伴なう。この種の分類システムはデータが適合し過ぎる(overfit)と弱い一般化をこおむって、訓練データと試験データセット間に不適合をもたらす可能性がある。
【0039】
K−最近隣(K−NN)の分類システムはこのカテゴリーに入る。この種類の特殊化は最近隣(NN)分類システム、重み付きK−NN分類システム、k−平均アルゴリズムおよびベクトル量子化である。
【0040】
境界決定分類システムはデータから、クラスを分離する線形もしくは非線形境界関数を学習することを試みる。多層パーセプトロン、線形および多項決定ツリー分類システムおよび人工神経ネットワークがこのカテゴリーに入る。例えば、線形決定ツリーは空間の多面形の準分割を規定し、葉の部分が他のクラスからのポイントを含有しない場合にそれは分類システムである。この分類システムは概括的に長い訓練期間を要するが、クラスが十分に規定された境界関数により分離可能であれば、有効であることができる。このパラダイムのその他の例は、支援ベクトルマシン(SVM)およびカーネル法である。
(2)分類決定法の組み合わせ
分類システムの決定法を組み合わせるための多数の可能性が存在し、一般的な組み合わせスキームは特定の組み合わせ規則よりも広い適用性を有する。パターン認識のこの領域は、情報融合と呼ばれ、その情報はデータ、特徴または決定である。データ融合は単一のセンサーのみからは可能でないような推理を実施するために、多数のセンサーからのデータをいかに組み合わせるかの問題に関する。データ融合は、特徴中の幾つかの信頼できないデータの測定値を組み合わせて、共通の信号を増幅し、非相関ノイズを減衰することにより、より正確な信号を作成することができる。融合は、決定に関与する時には、広範な2種のカテゴリー、すなわち(a)発見的アプローチ、および(b)確率論および統計学に基づいた方法に分類される。
【0041】
発見的アプローチは決定を実施する際の人間の方法を模倣することを試みている。投票戦略はこのクラスに入る。各特徴をエキスパートルールにより分類して、1票を得る。次に分類の問題をn−票からk−票を選ぶ投票法に帰結させる。少なくともd−中k−の危険因子が存在する時は、この方法の結果は、患者が臨床追跡およびより集中的な、DXA(二重−エネルギーX−線吸収測定法)のような軸方向のBMD測定にかけられることになる。kの幾つかの値に対して、具体的な決定融合スキームが得られる、
− k=1.これは各危険因子の個別の2分類をオーアール(OR)することに当たる。従って、少なくとも1個の危険因子が存在する時に、患者は危険下にあると考えられる。スクリーニングの設定においては、これは、より多くの患者が再検査の個人であると考えられ、従ってTPR(真の正の率)はより高く、実際に危険下にある患者のより少数が見落とされるが、再検査を言及される患者数もまたより多くなるであろうことを意味する。特異性[TNR(真の負の率)]はより低いであろう。
− k=d.これはAND(および)ルールである。すべてのd危険因子が存在する時にのみ個人は再検査を言及される。これは、課されたより厳格な危険条件のために、試験が陽性である患者数がより低い点で、過剰言及を抑制するであろう。FN(誤った負の)数は増加し、TP(真の正の)数は同量だけ減少するために、TPR(真の正の率)はより小さくなるであろう。
− K=(d+1)/2.これはMAJORITY(多数決)ルールである。それはAND(および)とOR(または)ルールの間の妥協物である。
【0042】
BMD測定および危険因子の総合評価の結果に基づいた決定の適用可能な組み合わせのその他の例は例えば、個々の特徴の多数価の分類を使用するファジーロジックに基づいた論理的演算子あるいは、確率論を使用するベイズの統計に基づいたまたは証拠のDempster−Shafer論理に基づいた数学的方法である。
分類システムの性能の測定
分類システムの性能はその誤分類率を評価することにより試験することができる。しかし、医学的スクリーニングの仕事のためには、代替的目的を最適化することがより合理的にさせる。
【0043】
典型的なアプローチは混乱マトリックスによりスクリーニング性能を分析することである(表1)。このマトリックスの一方の軸はスクリーニングの場合の2種の変数である(正もしくは負いずれかのスクリーニング試験の結果)試験の分類値を表わし、他方の軸は真の値を表わす(個人が実際に疾患を有するかまたは骨粗鬆症を罹患する危険を有する)。
【0044】
表1 混乱マトリックス
スクリーニング試験
正 負
実際 正 TP FN
負 FP TN
スクリーニングされた個人の総数N N TP+TN+FP+FN
精度 AC (TP+TN)/
(TP+TN+FP+FN)
誤分類 MC (FP+FN)/
(TP+TN+FP+FN)
実際の正 AP TP+FN
実際の負 AN FP+TN
感受性(真の正の率) SENS TP/(TP+FN)
特異性(真の負の率) SPEC TN/(TN+FP)
誤った正の率 FPR FP/(TN+FP)
誤った負の率 FNR FN/(TP+FN)
正の予測値 PPV TP/(TP+FP)
負の予測値 NPV TN/(TN+FN)
誤分類率を最少にする代わりに、診断またはスクリーニングモデルの感受性もしくは真の正の率(SENS)および特異性もしくは真の負の率(SPEC)を最大にすることが好ましい。「感受性」は、疾患が存在する時に試験結果が正になるであろう確立を表わす。「特異性」は疾患が存在しない時に試験結果が負になるであろう確率を表わす。「正の予測値」は試験が正である時に疾患が存在する確率を表わす。「負の予測値」は試験が負である時に疾患が不在である確率を意味する。
【0045】
このような目標がより適切である理由が幾つかある。例えば、
−誤った正(FP)または誤った負(FN)の誤分類の費用は異なるかも知れない。正とスクリーニングされた個人に、より高価なBMD試験を誤って言及する場合の経費は、後の段階の非外傷的骨折によるより複雑な経費のかかる測定値を妨げるために、適切な後処理または処置を実際に受けるべき負にスクリーニングされた個人に再検査を言及しない経費とは概括的に異なる。これらの社会−経済的経費は多人口のスクリーニングの設定において相互に平衡しなければならない。
−真のクラス分布は著しく非対称性で、正の症例は人口のごく少部分を構成し、従って誤分類率(MC)または精度(AC)はモデルの性能の著しく偏った測定値を提供するかも知れない。実際、MC(誤分類率)=[FP(誤った正)の数+FN(誤った負)の数]/(スクリーニングされた個人の総数)の定義から、MC(誤分類率)およびAC(精度)は片方またはどちらかのタイプのエラーにより著しく偏ったものであることができるかも知れない。MC(誤分類率)の定義の比例的重み付きにより、MC(誤分類率)は常に、それぞれのグループにおいて、最大数の個人により得られた、そのようなタイプのエラー[FPR(誤った正の率)またはFNR(誤った負の率)]に、より近いであろう。
【0046】
従って、方法または試験のスクリーニング性能の評価に決定的である、誤った負および誤った正の分類の同時の帰結はしばしば、レシーバーオペーレーティング特性(ROC)分析により処理される。ROC分析は、試験データを正もしくは負のいずれかの症例に指定するために使用される遮断閾値の関数として、1−特異性である、誤った正の率に対する真の正の率(感受性)を描くことにより、感受性と特異性に関する分類システムの性能を特定する。ROC(レシーバーオペーレーティング特性)曲線の下方面積(AUC)は試験の識別力を示す。例えば、0.8の面積は実際の正のグループから無作為に選択された個人が症例の80%において、負のグループから無作為に選択された個人の値より高い試験値を有することを意味する。ROC(レシーバーオペーレーティング特性)曲線は試験の最適遮断閾値、例えば、同時の最大感受性(100%)および特異性(100%)の理想点にもっとも近い点である、曲線上の上部最左側の点に対応する遮断閾値、を示すまたは誘導するために使用することができる。
【0047】
選択される点はスクリーニング試験の作業点と呼ばれる。スクリーニングの設定に選択された点は最大可能な誤った負の情報(誤った症例)が与えられるような経済的因子に基づくことができる。
【0048】
AUC(曲線下方面積)が0.5である時は、研究中の試験は2グループ間を区別することができない。1.0に等しいAUCは2グループの完全な分離が存在することを意味する。
【0049】
優れた基準(すなわち:DXA(二重−エネルギーX−線吸収測定法)が軸方向の骨粗鬆症を検出する時には個人が危険下にあると考えられる)としてDXAに関して単一の末梢BMD測定値のスクリーニング力を測定する臨床研究は、最大の負の予測値(試験が負である時には個人が危険下にない可能性)の下記の作業点における感受性および特異性をもたらす、
・11%のFN(誤った負の)百分率において、3個の中手骨のVPA(面積当たり容量)に基づく放射線撮影法測定値に対してそれぞれ80.4%および52.3%、
・9.8%のFN(誤った負の)百分率において、3個の指節骨の吸収法測定値に対してそれぞれ84.3%および51.8%。
【0050】
しかし、これらのBMD測定値が人口統計学的および臨床的データ(融合のORタイプ)に基づいた評価値と組み合わされる時には、感受性および特異性のこれらの値は(最大の負の予測値の作動点における)以下の点まで増加する、
・4.6%のFN(誤った負の)百分率において、放射線撮影測定値に対して90.0%、
・3.8%のFN(誤った負の)百分率において、吸収法測定値に対して91.8%。
従って、患者の問診表の評点とそれらを適切に組み合わせることによる本発明により、単一の測定値のいずれかの感受性は実質的に増加され、FN(誤った負の)百分率(患者が実際そうである時に、患者が危険下にあると検出されない(試験が負である)割合)は実質的に減少する。
【0051】
個人の年齢および軸方向のBMD値に伝統的に基づいた1年もしくは10年間に個人が骨折をこおむるであろう確率を表わす、生涯の骨折危険度(LFR)および残りの生涯の骨折危険度(RLFR)を、より集中的な人口統計学および患者のデータおよび評価点により補完されたBMDデータに基づいて計算し、改善することができる。
【0052】
本発明の特徴および態様を以下に示す。
1. −個人に対して骨鉱物密度(BMD)測定を実施し、それによりBMD測定値を作成すること、
−前記個人に対する前以て規定された危険因子の適用性に関する評価値を得ること、
−前記評価値により総合的評価を計算すること、
−前記BMD測定値と前記総合的評価を合わせて、前記の個人が骨粗鬆症の危険下にあるかどうかを示す値を出すこと、
の段階を含んで成る骨粗鬆症の危険下にある個人を発見する方法。
2. 前記評価値それぞれを評価し、そしてすべての評価された評価値を総合することにより前記総合評価を得る、第1項記載の方法。
3. 個人が骨粗鬆症の危険下にあるかどうかを示す前記の値が前記の総合評価と前記のBMD(骨鉱物密度)測定値を操作する分類システム(classifer)の結果である、第1項記載の方法。
4. 前記分類システムが
−線形または2次方程式のベイズの分類システムのようなパラメーター分類システム、
−K−最近隣分類システム(KNN)、2元決定ツリー(BDT)または人工神経ネットワーク(ANN)または支援ベクトルマシン(SVM)のような非パラメーターの分類システム、
のうちの一つである、第3項記載の方法。
5. 前記個人が骨粗鬆症の危険下にあるかどうかを示す前記の値が、前記BMD(骨鉱物密度)測定値に基づいた決定および前記の総合評価に基づいた決定の組み合わせの結果である、第1項記載の方法。
6. 前記の組み合わせが
−OR(または)およびAND(および)のようなブール代数に基づいた論理演算子、
−個々の特徴の複数評価分類を使用するファジー論理に基づいた論理演算子、
−確率論を使用する、ベイズ推定に基づいたまたは証拠のDempster−Shafer理論に基づいた数学的方法、
のうちの1項である、第5項記載の方法。
7. 計算機上で実行する際に、第1〜6項のいずれかの段階を実行するように適応された計算機プログラムのプロダクト(product)。
8. 第1〜6項のいずれかの段階を実行するように適応された計算機実行可能なプログラムコードを含んで成る、計算機読み取り可能なキャリヤー媒体。
9. BMD(骨鉱物密度)測定結果および危険因子の値の入力時に第1〜6項のいずれかの段階を実施するようにプログラムされた計算機を含んで成る、骨粗鬆症の危険下にある個人を発見するためのシステム。
【発明の属する技術分野】
本発明は骨粗鬆症の危険下ある個人の発見法に関する。
【0002】
【従来の技術】
骨粗鬆症は骨質量の喪失および骨の微細構造の劣化を特徴として、骨折の危険性をもたらす、広範囲にわたる疾患である。関与するすべてのパラメーターのうちで、低い骨質量が、特に腰骨、脊椎および手首の骨の脆弱性および骨折の危険性を決定するもっとも重要な因子である。骨粗鬆症は米国のみにおいて26百万人以上が罹患するが、本疾患を罹患する女性の10%未満および男性の1%のみが診断され、処置を受ける。骨粗鬆症を予防または、それが開始した後に進行を遅らせるためには、最初にその個人が危険下にあるかどうかを知らなければならない。無症候人口中で危険下にある個人を発見することをスクリーニングと呼ぶ。
【0003】
無症候の個人における低い骨質量を検出するために、数々の放射線学的スクリーニング試験が提唱されてきた。骨質量測定の最近の非侵襲的方法の一つは骨鉱物密度(bone mineral density:BMD)測定である。BMD測定の方法には通常の骨格放射線撮影(放射線測定法および吸収測定法)、SPA(単一光電子吸収測定法)、DPA(二重光電子吸収測定法)、DXA(二重−エネルギーX−線吸収測定法)、定量計算断層X線撮影法(QCT)および超音波法(US)が含まれる。BMDを測定するための最近の最適な基準は最古のフィルムに基づいた方法に徐々に取って代わってきたDXAである。しかし、DXA法は甚大な獲得時間、従って実質的な診断時間、十分訓練されたオペレーターおよび高価な装置を必要とし、そして従って質量スクリーニング手段としてのその使用可能性は制約される。QCT(定量計算断層X線撮影法)は脊椎の横断切片および小柱領域の解剖学および密度の検査には著しく正確であるが、費用および高い放射線暴露のために日常的なスクリーニング試験としてはあまり実際的ではない。DXA(二重−エネルギーX−線吸収測定法)およQCT(定量計算断層X線撮影法)はそれらが脊椎および腰部の測定値を提供する点で軸方向の方法である。
【0004】
フィルム上に記録される通常の骨格のX線は骨の障害および骨折を検出するために使用されるが、それらは骨質量を測定する点では制約された価値をもつ。しかし、計算された放射線撮影法および直接的(ディジタル)放射線撮影法のようなディジタルX線法の出現により、それらの固有の精度がディジタル測定値により実質的に高められるので、通常の骨質量測定法が新たな興味を獲得するようになった。放射線吸収測定法およびディジタルX線放射線撮影法の報告されている精度は1%の次元にあり、それは確立されたDXA(二重−エネルギーX−線吸収測定法)のものの範囲内に十分に入るかまたはそれより下である。更に、これらの方法はそれらが四肢の骨格を分析する点で末梢と呼ばれ、従って臨床的実行の操作がずっと早急である。しかし、それらが末梢的測定値を提供する事実を考慮して、BMD(骨鉱物密度)の腰部BMDおよび腰部骨折の危険度との相関は制約され、疑問視される。
【0005】
骨折予防の手段としてのスクリーニングには重要な限界が存在する。骨密度の1個の測定値においては、不正確な値の僅かな危険性が存在し、かつ骨折を起こす患者とそうでない患者の間を明確に区別するBMD(骨鉱物密度)値は存在しない。
【0006】
【特許文献1】
米国特許第5712892号明細書
【0007】
【特許文献2】
米国特許第6246745号明細書
【0008】
【特許文献3】
米国特許第5917877号明細書
【0009】
【発明が解決しようとする課題】
高い成功率を伴なう、骨粗鬆症の危険下にある個人を同定するためのスクリーニング法を提供することが本発明の目的である。
【0010】
【課題を解決するための手段】
前記の目的は請求項1に提示される具体的な特徴物を有する方法により実現される。
【0011】
本発明の具体的な態様は付記の請求項に提示される。
【0012】
本発明の具体的なアスペクトは計算機上で実施される時に、本発明の方法を実施するように適応された計算機プログラムのプロダクト(product)に関する。本発明は更に、本発明の方法の段階を実施するように適応された、計算機で実行可能なプログラムコードを含んで成る、CD−ROMのような計算機で読み取り可能なキャリヤー媒体に関する。
【0013】
更にもう一つのアスペクトは本発明の方法を実施するためのシステムに関する。これらのシステムは、BMD測定結果および例えば、問診票によりまたは日常的身体検査をとおして収集した危険因子の値を入力すると、本発明の段階を実施するようにプログラムされた計算機を含んで成る。
【0014】
【実施例】
骨鉱物密度測定を実施するための方法の具体的な態様は放射線撮影法および放射線吸収測定法である。これらの方法は簡単で、安価であり、双方の特徴は経済的制限時に重要である。
【0015】
放射線撮影に基づいたBMD(骨鉱物密度)測定は映像の面における幾何学的測定の実施および、BMD測定と骨折の危険度へのこれらの測定値の関連する表現から成る。放射線撮影法における根本的推定は、骨粗鬆症が発症すると、小管状骨の外皮厚さが減少し、他方、骨内膜の吸収のために骨髄腔が拡大する事実に基づく。管状骨の外径Dおよびその内径dが測定される。
【0016】
下記は放射線撮影測定値の例である、
・外皮インデックス=(D−d)/D、合わせた外皮の厚さ=D−d。骨内膜の吸収が起ると、外皮インデックスおよび合わせた外皮厚さが減少する。
・相対的外皮面積=100*(D2−d2)/D2であり、外皮面積=(D2−d2)、
・面積当たりの容量VPA=f*d*(1−d/D)であり、ここでfは管状骨に推定される幾何学的モデルに応じた幾何学的因子である(円筒に対してはf=PI)。
【0017】
前記に概説した原理に従うディジタルX線放射線撮影測定を使用する骨のBMD(骨鉱物密度)測定法は先行技術分野で既知である。例えば、欧州特許第1 046 374号明細書にこのような方法が開示された。
【0018】
臨床研究により、DXA(二重−エネルギーX−線吸収測定法)により脊椎で0.60、DXAにより腰骨で0.56、そしてDXAによりとう骨で0.83の、3カ所の中央の中手骨におけるディジタル放射線撮影法のVPA(面積当たり容量)測定値の相関が報告され、前者の値はもっともらしく、対応する骨格部位のために比較的高い。
【0019】
放射線吸収測定(RA)に基づくBMD測定はフィルムまたはディジタル映像上の骨領域の密度を、同時に放射線撮影したアルミナムの対照ウェッジの密度と比較する。通常これらの領域は3本の中央の指の中央節骨である。結果はアルミナムの厚さの単位当量で表わす。ソフトウェアは軟組織の補正を包含することができる。
【0020】
特許文献1は、身体の四肢領域および目盛合わせのウェッジに連続スペクトルのX線ビーム、X線映像をディジタル映像信号に変換するためのX線映像変換器および、身体の四肢に対応する領域の映像信号を引き出し、そして骨密度測定値に変換するための映像プロセッサーにかけることに基づくBMD(骨鉱物密度)測定法を開示している。
【0021】
特許文献2および特許文献3は、複数のX線エネルギーによりまたはエネルギー選択的複数フィルムのいずれかにより獲得された、更なる露出をを使用する、放射線吸収測定(手首または踵骨の)に基づくBMD測定値を計算する方法を開示している。
【0022】
臨床研究により、DXA(二重−エネルギーX−線吸収測定法)により脊椎で0.66、DXAにより腰骨で0.55、そしてDXAによりとう骨で0.76の数字II、IIIおよびIVの指の中央節骨上で計算したディジタルRA(放射線吸収法)測定値の相関が報告され、前者の値は相当する骨格部位のためにもっともらしく、比較的高い。放射線測定と吸収測定のDXAとの相関の間の差異はDXAによる脊椎(p=0.30)およびDXAによる腰骨(p=0.95)に対しては有意でないが、DXAによるとう骨(p=0.07)に対しては有意である。
【0023】
末梢骨格を研究するために使用されるもう一つの重要な方法は、踵骨(踵)の定量的超音波走査法(QUS)である。手および手首のような部位は接近しやすく、踵骨は高率の小柱状骨を含む。超音波装置はイオン化光線を使用しないので魅力的である。広域超音波減衰(BUA)および音速度(SOS)が、測定される主要な超音波変数であり、それらは骨密度および骨構造の双方に関連する。これらの変数に基づいた、硬さインデックスと呼ばれる臨床的測定値が提供され、それは腰骨および脊椎のDXAにより測定されるようなBMDに匹敵する骨粗鬆症による骨折の危険度を示す。
【0024】
BMD測定法の更にその他の態様は末梢定量的計算機断層撮影法(p−QCT)または末梢二重エネルギーX線吸収測定法(p−DEXA)に基づく。
【0025】
部位に得意的な予測のためには、個人における骨折の危険度を予測するためにはどんな骨の密度測定も使用することができるが、興味深い部位を測定するべきである(すなわち腰骨骨折の危険度を予測する時は腰骨を測定する)。不幸にも、特に初期閉経後期間には、同一人物において異なる部位で実施された、異なるBMD測定値の間に不一致が存在する。そのため、実際には、中央または末梢骨格の測定の選択は年齢による。しかし、スクリーニングの仕事のためには、前腕または踵のような、接近が容易な骨格部位が必要であり、これらの部位のBMD測定値は軸方向のBMD測定値とは中程度に相関するのみである。
【0026】
本発明者は、末梢BMD測定値のみの使用に伴なう欠点を補完するために、骨折の危険度を予測させる、末梢BMD測定以外の追加の因子を総合的スクリーニング法に取込む必要があることを見いだした。本発明に従うと、前以て規定された危険度因子の適用性に関する評価値を計算機に入力する。危険度因子の値は例えば、スクリーニングされる個人に問診表に書き込ませることにより、または通常の身体検査のいずれかにより、収集することができる。
【0027】
骨折の危険度はまた、骨の鉱物密度測定値以外の因子の組み合わせによりモデルを形成することもできる。この方法は予測危険度評価(RS)モデルのクラスに入る。予測評価モデルまたは「危険度評価」モデルは明白な説明力を有し、使用が簡単である。このようなモデルにおいて、選択された独立の変数に対する評価値を最大c−インデックス[ROC(レシーバーオペレイティング特性)曲線の下方面積に等しい]により決定されるロジスティック回帰(またはCox比例ハザード回帰)モデルの正規化ベータ係数から誘導される。評価値は総合危険度に加算され、次に履歴危険度と相関される。
【0028】
前以て規定される危険因子は例えば、年齢、体重、身長、身体質量インデックス、人種、ホルモン置き換え治療およびカルシウム摂取のような特定の医薬摂取、以前の骨折の個人的病歴並びに骨粗鬆症の家族歴、喫煙、アルコールの使用または身体活動のような生活様式の因子である。
【0029】
危険因子には、絶対的な変数および連続的な変数が含まれ得る。連続的な変数は例えば、年齢、体重および身長、身体質量インデックスである。身長、腰骨の軸長および大腿の長さのような骨の幾何学構造の寄与は、落下による骨折の危険度増加と関連する連続的な変数である。絶対的な変数は不連続的数値のみをとり、例えば、民族の種類、喫煙状態および身体活動を含む変数である。
【0030】
これらの危険因子の値の評価から、下記のような幾つかの評価値を誘導することができる、すなわち
・ 単純計算骨粗鬆症危険度予測(SCORE)。
【0031】
候補因子の大きな貯留物から、実際のt−スコアをモデルにするために多変数線形回帰を、そして低い骨密度の危険度をモデルにするために多変数ロジスティック回帰を使用して回帰(reduced)セットを誘導した。候補の線形およびロジスティック回帰モデルのスクリーニング特性を感受性および、90%の感受性を与える確率のカットポイント値に対する特異性を計算することにより評価した。
【0032】
その最後の形態において、それはそれぞれ、女性に対する下記の因子および関連体重から成る用語を使用する、
人種、非黒人の場合には(5点)
+リューマチ様関節炎が存在する場合には(4点)
+骨折の病歴(腰、手首または肋骨のいずれかの各型の骨折に4点を加える)
+(3*年齢)/10(切り捨て)
+ホルモン置き換え治療(1点)
−(体重(ポンド)/10)(切り捨て)。
評価点≧6は要検査を示す。
・骨粗鬆症危険度評価点装置(ORAI)は下記のシステムを使用する、75歳以上の年齢に15点、65〜74歳に9点、55〜64歳に5点、体重<60kgに9点、60〜69.9kgに3点そして、最近エストローゲンを摂取していない場合に2点。≧9の評価点は要検査を示す。
・年齢、身体の大きさ、エストローゲンなしの評価(ABONE)は下記の評価システムを使用する、年齢>65歳の場合に1点、体重<63.5kgの場合に1点、そして経口避妊薬またはエストローゲンを少なくとも6カ月摂取しない場合に1点。評価点が≧6は要検査を示す。体重の基準は単に、体重<70kgを検査の基準として使用する。
【0033】
それらの簡便性にもかかわらず、人口統計学および患者のデータに独占的に基づいた危険度評価法の性能は多数スクリーニングプログラムを確立するための単独の基礎として使用するには低すぎると考えられる。
【0034】
本発明の発明者はBMD測定値と前記の危険因子の組み合わせが性能増加をもたらすことを見いだした。
【0035】
前以て規定された危険因子に関与する個人の評価値を組み合わせる方法は組み合わせのレベルに従って大まかに2群に分類することができる、(1)いずれかの特徴を単一の分類構造物中に組み合わせる、または(2)特徴の分類体を第2段階の分類システムにより組み合わせる。
(1)組み合わせた特徴の分類
骨粗鬆症の危険度のd測定値が収集される本発明に従うスクリーニング法において、Rdからの、セット(危険下にある、危険下にない)への作図を実施することができる。これらの作図はd−次元入力ベクトルおよび2種の出力クラスをもつ分類システムの特徴を表わす。
【0036】
幾つかの組み合わせた特徴分類システムが適用可能である。
【0037】
幾つかのパラメーターを特徴とする、パラメーター分類システムは、各クラスの特徴が、クラスに条件付きの特徴の確率密度関数(PDF)に従うと想定される。例えば、平均値ベクトルおよび特徴の共分散マトリックスは多次元正規分布(多変数ガウス型、MVG)を特徴とする。データからの研究により、この固定数のモデルのパラメーターを推定させる。仮定されたモデルが実際のものと異なる場合は、この型の分類システムは確実にモデル−ミスマッチエラーを受けるはずである。このような分類システムの1例は線形または2次ベイズの分類システムである。
【0038】
非パラメーター分類システムは存在する特徴の確率密度関数に制約を与えない。データからの研究は、ずっと多数のパラメーター(例えば、ガウスの混合モデル、GMM)を推定する更に労力を要する段階を伴なう。この種の分類システムはデータが適合し過ぎる(overfit)と弱い一般化をこおむって、訓練データと試験データセット間に不適合をもたらす可能性がある。
【0039】
K−最近隣(K−NN)の分類システムはこのカテゴリーに入る。この種類の特殊化は最近隣(NN)分類システム、重み付きK−NN分類システム、k−平均アルゴリズムおよびベクトル量子化である。
【0040】
境界決定分類システムはデータから、クラスを分離する線形もしくは非線形境界関数を学習することを試みる。多層パーセプトロン、線形および多項決定ツリー分類システムおよび人工神経ネットワークがこのカテゴリーに入る。例えば、線形決定ツリーは空間の多面形の準分割を規定し、葉の部分が他のクラスからのポイントを含有しない場合にそれは分類システムである。この分類システムは概括的に長い訓練期間を要するが、クラスが十分に規定された境界関数により分離可能であれば、有効であることができる。このパラダイムのその他の例は、支援ベクトルマシン(SVM)およびカーネル法である。
(2)分類決定法の組み合わせ
分類システムの決定法を組み合わせるための多数の可能性が存在し、一般的な組み合わせスキームは特定の組み合わせ規則よりも広い適用性を有する。パターン認識のこの領域は、情報融合と呼ばれ、その情報はデータ、特徴または決定である。データ融合は単一のセンサーのみからは可能でないような推理を実施するために、多数のセンサーからのデータをいかに組み合わせるかの問題に関する。データ融合は、特徴中の幾つかの信頼できないデータの測定値を組み合わせて、共通の信号を増幅し、非相関ノイズを減衰することにより、より正確な信号を作成することができる。融合は、決定に関与する時には、広範な2種のカテゴリー、すなわち(a)発見的アプローチ、および(b)確率論および統計学に基づいた方法に分類される。
【0041】
発見的アプローチは決定を実施する際の人間の方法を模倣することを試みている。投票戦略はこのクラスに入る。各特徴をエキスパートルールにより分類して、1票を得る。次に分類の問題をn−票からk−票を選ぶ投票法に帰結させる。少なくともd−中k−の危険因子が存在する時は、この方法の結果は、患者が臨床追跡およびより集中的な、DXA(二重−エネルギーX−線吸収測定法)のような軸方向のBMD測定にかけられることになる。kの幾つかの値に対して、具体的な決定融合スキームが得られる、
− k=1.これは各危険因子の個別の2分類をオーアール(OR)することに当たる。従って、少なくとも1個の危険因子が存在する時に、患者は危険下にあると考えられる。スクリーニングの設定においては、これは、より多くの患者が再検査の個人であると考えられ、従ってTPR(真の正の率)はより高く、実際に危険下にある患者のより少数が見落とされるが、再検査を言及される患者数もまたより多くなるであろうことを意味する。特異性[TNR(真の負の率)]はより低いであろう。
− k=d.これはAND(および)ルールである。すべてのd危険因子が存在する時にのみ個人は再検査を言及される。これは、課されたより厳格な危険条件のために、試験が陽性である患者数がより低い点で、過剰言及を抑制するであろう。FN(誤った負の)数は増加し、TP(真の正の)数は同量だけ減少するために、TPR(真の正の率)はより小さくなるであろう。
− K=(d+1)/2.これはMAJORITY(多数決)ルールである。それはAND(および)とOR(または)ルールの間の妥協物である。
【0042】
BMD測定および危険因子の総合評価の結果に基づいた決定の適用可能な組み合わせのその他の例は例えば、個々の特徴の多数価の分類を使用するファジーロジックに基づいた論理的演算子あるいは、確率論を使用するベイズの統計に基づいたまたは証拠のDempster−Shafer論理に基づいた数学的方法である。
分類システムの性能の測定
分類システムの性能はその誤分類率を評価することにより試験することができる。しかし、医学的スクリーニングの仕事のためには、代替的目的を最適化することがより合理的にさせる。
【0043】
典型的なアプローチは混乱マトリックスによりスクリーニング性能を分析することである(表1)。このマトリックスの一方の軸はスクリーニングの場合の2種の変数である(正もしくは負いずれかのスクリーニング試験の結果)試験の分類値を表わし、他方の軸は真の値を表わす(個人が実際に疾患を有するかまたは骨粗鬆症を罹患する危険を有する)。
【0044】
表1 混乱マトリックス
スクリーニング試験
正 負
実際 正 TP FN
負 FP TN
スクリーニングされた個人の総数N N TP+TN+FP+FN
精度 AC (TP+TN)/
(TP+TN+FP+FN)
誤分類 MC (FP+FN)/
(TP+TN+FP+FN)
実際の正 AP TP+FN
実際の負 AN FP+TN
感受性(真の正の率) SENS TP/(TP+FN)
特異性(真の負の率) SPEC TN/(TN+FP)
誤った正の率 FPR FP/(TN+FP)
誤った負の率 FNR FN/(TP+FN)
正の予測値 PPV TP/(TP+FP)
負の予測値 NPV TN/(TN+FN)
誤分類率を最少にする代わりに、診断またはスクリーニングモデルの感受性もしくは真の正の率(SENS)および特異性もしくは真の負の率(SPEC)を最大にすることが好ましい。「感受性」は、疾患が存在する時に試験結果が正になるであろう確立を表わす。「特異性」は疾患が存在しない時に試験結果が負になるであろう確率を表わす。「正の予測値」は試験が正である時に疾患が存在する確率を表わす。「負の予測値」は試験が負である時に疾患が不在である確率を意味する。
【0045】
このような目標がより適切である理由が幾つかある。例えば、
−誤った正(FP)または誤った負(FN)の誤分類の費用は異なるかも知れない。正とスクリーニングされた個人に、より高価なBMD試験を誤って言及する場合の経費は、後の段階の非外傷的骨折によるより複雑な経費のかかる測定値を妨げるために、適切な後処理または処置を実際に受けるべき負にスクリーニングされた個人に再検査を言及しない経費とは概括的に異なる。これらの社会−経済的経費は多人口のスクリーニングの設定において相互に平衡しなければならない。
−真のクラス分布は著しく非対称性で、正の症例は人口のごく少部分を構成し、従って誤分類率(MC)または精度(AC)はモデルの性能の著しく偏った測定値を提供するかも知れない。実際、MC(誤分類率)=[FP(誤った正)の数+FN(誤った負)の数]/(スクリーニングされた個人の総数)の定義から、MC(誤分類率)およびAC(精度)は片方またはどちらかのタイプのエラーにより著しく偏ったものであることができるかも知れない。MC(誤分類率)の定義の比例的重み付きにより、MC(誤分類率)は常に、それぞれのグループにおいて、最大数の個人により得られた、そのようなタイプのエラー[FPR(誤った正の率)またはFNR(誤った負の率)]に、より近いであろう。
【0046】
従って、方法または試験のスクリーニング性能の評価に決定的である、誤った負および誤った正の分類の同時の帰結はしばしば、レシーバーオペーレーティング特性(ROC)分析により処理される。ROC分析は、試験データを正もしくは負のいずれかの症例に指定するために使用される遮断閾値の関数として、1−特異性である、誤った正の率に対する真の正の率(感受性)を描くことにより、感受性と特異性に関する分類システムの性能を特定する。ROC(レシーバーオペーレーティング特性)曲線の下方面積(AUC)は試験の識別力を示す。例えば、0.8の面積は実際の正のグループから無作為に選択された個人が症例の80%において、負のグループから無作為に選択された個人の値より高い試験値を有することを意味する。ROC(レシーバーオペーレーティング特性)曲線は試験の最適遮断閾値、例えば、同時の最大感受性(100%)および特異性(100%)の理想点にもっとも近い点である、曲線上の上部最左側の点に対応する遮断閾値、を示すまたは誘導するために使用することができる。
【0047】
選択される点はスクリーニング試験の作業点と呼ばれる。スクリーニングの設定に選択された点は最大可能な誤った負の情報(誤った症例)が与えられるような経済的因子に基づくことができる。
【0048】
AUC(曲線下方面積)が0.5である時は、研究中の試験は2グループ間を区別することができない。1.0に等しいAUCは2グループの完全な分離が存在することを意味する。
【0049】
優れた基準(すなわち:DXA(二重−エネルギーX−線吸収測定法)が軸方向の骨粗鬆症を検出する時には個人が危険下にあると考えられる)としてDXAに関して単一の末梢BMD測定値のスクリーニング力を測定する臨床研究は、最大の負の予測値(試験が負である時には個人が危険下にない可能性)の下記の作業点における感受性および特異性をもたらす、
・11%のFN(誤った負の)百分率において、3個の中手骨のVPA(面積当たり容量)に基づく放射線撮影法測定値に対してそれぞれ80.4%および52.3%、
・9.8%のFN(誤った負の)百分率において、3個の指節骨の吸収法測定値に対してそれぞれ84.3%および51.8%。
【0050】
しかし、これらのBMD測定値が人口統計学的および臨床的データ(融合のORタイプ)に基づいた評価値と組み合わされる時には、感受性および特異性のこれらの値は(最大の負の予測値の作動点における)以下の点まで増加する、
・4.6%のFN(誤った負の)百分率において、放射線撮影測定値に対して90.0%、
・3.8%のFN(誤った負の)百分率において、吸収法測定値に対して91.8%。
従って、患者の問診表の評点とそれらを適切に組み合わせることによる本発明により、単一の測定値のいずれかの感受性は実質的に増加され、FN(誤った負の)百分率(患者が実際そうである時に、患者が危険下にあると検出されない(試験が負である)割合)は実質的に減少する。
【0051】
個人の年齢および軸方向のBMD値に伝統的に基づいた1年もしくは10年間に個人が骨折をこおむるであろう確率を表わす、生涯の骨折危険度(LFR)および残りの生涯の骨折危険度(RLFR)を、より集中的な人口統計学および患者のデータおよび評価点により補完されたBMDデータに基づいて計算し、改善することができる。
【0052】
本発明の特徴および態様を以下に示す。
1. −個人に対して骨鉱物密度(BMD)測定を実施し、それによりBMD測定値を作成すること、
−前記個人に対する前以て規定された危険因子の適用性に関する評価値を得ること、
−前記評価値により総合的評価を計算すること、
−前記BMD測定値と前記総合的評価を合わせて、前記の個人が骨粗鬆症の危険下にあるかどうかを示す値を出すこと、
の段階を含んで成る骨粗鬆症の危険下にある個人を発見する方法。
2. 前記評価値それぞれを評価し、そしてすべての評価された評価値を総合することにより前記総合評価を得る、第1項記載の方法。
3. 個人が骨粗鬆症の危険下にあるかどうかを示す前記の値が前記の総合評価と前記のBMD(骨鉱物密度)測定値を操作する分類システム(classifer)の結果である、第1項記載の方法。
4. 前記分類システムが
−線形または2次方程式のベイズの分類システムのようなパラメーター分類システム、
−K−最近隣分類システム(KNN)、2元決定ツリー(BDT)または人工神経ネットワーク(ANN)または支援ベクトルマシン(SVM)のような非パラメーターの分類システム、
のうちの一つである、第3項記載の方法。
5. 前記個人が骨粗鬆症の危険下にあるかどうかを示す前記の値が、前記BMD(骨鉱物密度)測定値に基づいた決定および前記の総合評価に基づいた決定の組み合わせの結果である、第1項記載の方法。
6. 前記の組み合わせが
−OR(または)およびAND(および)のようなブール代数に基づいた論理演算子、
−個々の特徴の複数評価分類を使用するファジー論理に基づいた論理演算子、
−確率論を使用する、ベイズ推定に基づいたまたは証拠のDempster−Shafer理論に基づいた数学的方法、
のうちの1項である、第5項記載の方法。
7. 計算機上で実行する際に、第1〜6項のいずれかの段階を実行するように適応された計算機プログラムのプロダクト(product)。
8. 第1〜6項のいずれかの段階を実行するように適応された計算機実行可能なプログラムコードを含んで成る、計算機読み取り可能なキャリヤー媒体。
9. BMD(骨鉱物密度)測定結果および危険因子の値の入力時に第1〜6項のいずれかの段階を実施するようにプログラムされた計算機を含んで成る、骨粗鬆症の危険下にある個人を発見するためのシステム。
Claims (4)
- −個人に対して骨鉱物密度(BMD)測定を実施し、それによりBMD測定値を作成すること、
−前記個人に対する前以て規定された危険因子の適用性に関する評価値を得ること、
−前記評価値により総合的評価を計算すること、
−前記BMD測定値と前記総合的評価を合わせて、前記の個人が骨粗鬆症の危険下にあるかどうかを示す値を出すこと、
の段階を含んで成る骨粗鬆症の危険下にある個人を発見する方法。 - 計算機上で実行する際に、請求項1の段階を実行するように適応された計算機プログラムのプロダクト(product)。
- 請求項1の段階を実行するように適応された計算機実行可能なプログラムコードを含んで成る、計算機読み取り可能なキャリヤー媒体。
- BMD(骨鉱物密度)測定結果および危険因子の値の入力時に請求項1の段階を実施するようにプログラムされた計算機を含んで成る、骨粗鬆症の危険下にある個人を発見するためのシステム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP02100384A EP1357480A1 (en) | 2002-04-17 | 2002-04-17 | Osteoporosis screening method |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2004000556A true JP2004000556A (ja) | 2004-01-08 |
Family
ID=28685986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2003109962A Pending JP2004000556A (ja) | 2002-04-17 | 2003-04-15 | 骨粗鬆症のスクリーニング法 |
Country Status (2)
Country | Link |
---|---|
EP (1) | EP1357480A1 (ja) |
JP (1) | JP2004000556A (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022180589A (ja) * | 2018-09-10 | 2022-12-06 | 京セラ株式会社 | 推定装置及び推定方法 |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7467892B2 (en) | 2000-08-29 | 2008-12-23 | Imaging Therapeutics, Inc. | Calibration devices and methods of use thereof |
AU2001286892B2 (en) | 2000-08-29 | 2007-03-15 | Imaging Therapeutics Inc. | Methods and devices for quantitative analysis of x-ray images |
US6904123B2 (en) | 2000-08-29 | 2005-06-07 | Imaging Therapeutics, Inc. | Methods and devices for quantitative analysis of x-ray images |
US7660453B2 (en) | 2000-10-11 | 2010-02-09 | Imaging Therapeutics, Inc. | Methods and devices for analysis of x-ray images |
US8639009B2 (en) | 2000-10-11 | 2014-01-28 | Imatx, Inc. | Methods and devices for evaluating and treating a bone condition based on x-ray image analysis |
EP1389947B1 (en) | 2001-05-25 | 2009-08-26 | Imaging Therapeutics, Inc. | Methods to diagnose treat and prevent bone loss |
US8600124B2 (en) | 2004-09-16 | 2013-12-03 | Imatx, Inc. | System and method of predicting future fractures |
US7840247B2 (en) | 2002-09-16 | 2010-11-23 | Imatx, Inc. | Methods of predicting musculoskeletal disease |
US8965075B2 (en) | 2002-09-16 | 2015-02-24 | Imatx, Inc. | System and method for predicting future fractures |
EP1605824A2 (en) | 2003-03-25 | 2005-12-21 | Imaging Therapeutics, Inc. | Methods for the compensation of imaging technique in the processing of radiographic images |
WO2005027732A2 (en) | 2003-09-19 | 2005-03-31 | Imaging Therapeutics, Inc. | Method for bone structure prognosis and simulated bone remodeling |
US8290564B2 (en) | 2003-09-19 | 2012-10-16 | Imatx, Inc. | Method for bone structure prognosis and simulated bone remodeling |
US20080058613A1 (en) * | 2003-09-19 | 2008-03-06 | Imaging Therapeutics, Inc. | Method and System for Providing Fracture/No Fracture Classification |
US8939917B2 (en) | 2009-02-13 | 2015-01-27 | Imatx, Inc. | Methods and devices for quantitative analysis of bone and cartilage |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU1837495A (en) * | 1994-10-13 | 1996-05-06 | Horus Therapeutics, Inc. | Computer assisted methods for diagnosing diseases |
US5651363A (en) * | 1996-02-16 | 1997-07-29 | Orthologic Corporation | Ultrasonic bone assessment method and apparatus |
US6213958B1 (en) * | 1996-08-29 | 2001-04-10 | Alan A. Winder | Method and apparatus for the acoustic emission monitoring detection, localization, and classification of metabolic bone disease |
US6385283B1 (en) * | 1999-11-24 | 2002-05-07 | Hologic, Inc. | Device and method for determining future fracture risk |
-
2002
- 2002-04-17 EP EP02100384A patent/EP1357480A1/en not_active Withdrawn
-
2003
- 2003-04-15 JP JP2003109962A patent/JP2004000556A/ja active Pending
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022180589A (ja) * | 2018-09-10 | 2022-12-06 | 京セラ株式会社 | 推定装置及び推定方法 |
JP2022180590A (ja) * | 2018-09-10 | 2022-12-06 | 京セラ株式会社 | 推定装置及び推定方法 |
JP2023002781A (ja) * | 2018-09-10 | 2023-01-10 | 京セラ株式会社 | 推定装置、システム及び推定方法 |
JP7217906B2 (ja) | 2018-09-10 | 2023-02-06 | 京セラ株式会社 | 推定装置、システム及び推定方法 |
JP2023056028A (ja) * | 2018-09-10 | 2023-04-18 | 京セラ株式会社 | 装置及びシステム |
JP2023056029A (ja) * | 2018-09-10 | 2023-04-18 | 京セラ株式会社 | 装置及びシステム |
JP2023056026A (ja) * | 2018-09-10 | 2023-04-18 | 京セラ株式会社 | 装置及びシステム |
JP7260887B2 (ja) | 2018-09-10 | 2023-04-19 | 京セラ株式会社 | 推定装置及び推定方法 |
JP7260886B2 (ja) | 2018-09-10 | 2023-04-19 | 京セラ株式会社 | 推定装置及び推定方法 |
JP7264364B2 (ja) | 2018-09-10 | 2023-04-25 | 京セラ株式会社 | 装置及びシステム |
JP7266230B2 (ja) | 2018-09-10 | 2023-04-28 | 京セラ株式会社 | 装置及びシステム |
JP2023062093A (ja) * | 2018-09-10 | 2023-05-02 | 京セラ株式会社 | 装置 |
JP7283672B1 (ja) | 2018-09-10 | 2023-05-30 | 京セラ株式会社 | 学習モデル生成方法、プログラム、記録媒体及び装置 |
JP7283673B1 (ja) | 2018-09-10 | 2023-05-30 | 京セラ株式会社 | 推定装置、プログラム及び記録媒体 |
JP2023082022A (ja) * | 2018-09-10 | 2023-06-13 | 京セラ株式会社 | 学習モデル生成方法、プログラム、記録媒体及び装置 |
JP2023085344A (ja) * | 2018-09-10 | 2023-06-20 | 京セラ株式会社 | 推定装置、プログラム及び記録媒体 |
JP7385228B2 (ja) | 2018-09-10 | 2023-11-22 | 京セラ株式会社 | 装置 |
JP7385229B2 (ja) | 2018-09-10 | 2023-11-22 | 京セラ株式会社 | 装置及びシステム |
Also Published As
Publication number | Publication date |
---|---|
EP1357480A1 (en) | 2003-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20030198316A1 (en) | Osteoporosis screening method | |
Cummings et al. | Clinical use of bone densitometry: scientific review | |
JP2004000556A (ja) | 骨粗鬆症のスクリーニング法 | |
Boonen et al. | Identifying postmenopausal women with osteoporosis by calcaneal ultrasound, metacarpal digital X-ray radiogrammetry and phalangeal radiographic absorptiometry: a comparative study | |
Iliou et al. | Osteoporosis detection using machine learning techniques and feature selection | |
Hans et al. | Device-specific weighted T-score for two quantitative ultrasounds: operational propositions for the management of osteoporosis for 65 years and older women in Switzerland | |
Villamor et al. | Prediction of osteoporotic hip fracture in postmenopausal women through patient-specific FE analyses and machine learning | |
KR20210010387A (ko) | 관절염 심각도 정밀 분석 장치 및 방법 | |
Abubakar et al. | Evaluation of parameter fine-tuning with transfer learning for osteoporosis classification in knee radiograph | |
Galassi et al. | Risk assessment of hip fracture based on machine learning | |
Villa et al. | A non-invasive prevention program model for the assessment of osteoporosis in the early postmenopausal period: a pilot study on FRAX® and QUS tools advantages | |
Patil et al. | Texture feature extraction of Lumbar spine trabecular bone radiograph image using Laplacian of Gaussian filter with KNN classification to diagnose osteoporosis | |
Panichkul et al. | Diagnostic performance of quantitative ultrasound calcaneus measurement in case finding for osteoporosis in Thai postmenopausal women | |
Brownbill et al. | Validation of the use of the hand for estimating bone mineral density in other skeletal sites by DXA in healthy and osteoarthritic women | |
Navarro et al. | Discriminative ability of heel quantitative ultrasound in postmenopausal women with prevalent vertebral fractures: application of optimal threshold cutoff values using classification and regression tree models | |
Schechner et al. | A poisson process model for hip fracture risk | |
Sivasakthi et al. | A comparison of machine learning algorithms for osteoporosis prediction | |
Kim | Machine Learning Classifier Models for Predicting Sarcopenia in the Elderly Based on Physical Factors | |
Bachman et al. | Comparison of heel ultrasound and finger DXA to central DXA in the detection of osteoporosis: implications for patient management | |
Kumar et al. | Fuzzy Rank-Based Ensemble Model for Accurate Diagnosis of Osteoporosis in Knee Radiographs | |
Arifin et al. | Developing computer-aided osteoporosis diagnosis system using fuzzy neural network | |
AU2021102772A4 (en) | Biomedical Image Analysis for Osteoporosis using fuzz logic Detection, Diagnosis and Prediction Model. | |
Chalmers et al. | Predicting the outcome of brace treatment for scoliosis using conditional fuzzy clustering | |
Dharmani et al. | Deep Learning for Knee Osteoarthritis Severity Stage Detection using X-Ray Images | |
WO2024057056A1 (en) | Method, system and uses for determining abdominal aortic calcification |