¹Loretto Krankenhaus, Freiburg, Deutschland
²Institute of Experimental Neuroregeneration, Paracelsus Medical University, Salzburg, Österreich
³Universitätsklinikum Freiburg, Freiburg, Deutschland
⁴Izmir City Hospital, Izmir, Türkei

Text

Zielsetzung und Fragestellung: Diese Studie zielt darauf ab, die Vorhersage des Wirbelkörperfrakturrisikos zu verbessern, indem radiometrische Merkmale, die Auskunft der Computertomografien(CT) extrahiert wurden, mit klinischen Daten kombiniert werden, wobei fortschrittliche maschinelle Lernverfahren zum Einsatz kommen.

Material und Methoden: Wir analysierten CT-Bildgebungsdaten und klinische Aufzeichnungen von 124 Patienten und extrahierten einen umfassenden Satz radiometrischer Merkmale. Der Datensatz beinhaltete Form-, Textur- und Intensitätsmessungen von segmentierten Wirbeln sowie klinische Variablen wie Alter und DXA-T-Werte. Die Merkmalsauswahl wurde mit einem Random Forest Modell durchgeführt und die Vorhersageleistung mehrerer maschineller Lernmodelle- Random Forest, Gradient Boosting, Support Vektor Machines und XG Boost – wurde bewertet. Zu den Ergebnissen gehörten die Anzahl der Frakturen(N_Fx), der mittlere Frakturgrad und die mittlere Frakturform. Durch die Einbeziehung radiologischer Merkmale in die klinischen Daten konnte die Vorhersagegenauigkeit für alle Ergebnisse deutlich verbessert werden. Das XG Boost-Modell zeigte mit einem R2 von 0,7620 für die Vorhersage von N_Fx in der Trainingsgruppe und 0,7291 in der Validierungsgruppe eine hervorragende Leistung. Wichtige radiometrische Kenngrößen wie die Abhängigkeitsentropie, die Gesamtenergie und das Oberflächen-Volumen-Verhältnis zeigten starke Korrelationen mit den Frakturergebnissen.

Ergebnisse: Die Kohorte umfasste 124 Teilnehmer mit einem Durchschnittsalter von 71,46 +/- 10,46 Jahren, das von 50,6 bis 92,7 Jahren reichte. In Bezug auf die Frakturgrade der Wirbelkörper wiesen die meisten Wirbel keine Frakturen auf (78,3%,n 975). Leichte Frakturen (20%–25%) wurden in 9,6% (n 119) der Fälle beobachtet, mittelschwere Frakturen (25%–40%) in 7,8% (n 97) und schwere Frakturen (> 40%) in 4,3% (n 54). Was die Frakturformen betrifft, waren die meisten Wirbel ungebrochen (78,3%, n 975), während 6,5% (n 81) Keilfrakturen aufwiesen, 11,1% (n 138) bikonkave Frakturen zeigten und 4,1% (n 51) Quetschfrakturen im hinteren Bereich aufwiesen.

Diskussion und Schlussfolgerung: Diese Studie zeigt, dass die Integration von Radiomics-Merkmalen in klinische Daten die Vorhersage des Wirbelkörperfrakturrisikos erheblich verbessert. Radiomics hat das Potenzial, eine entscheidende Rolle bei der personalisierten Risikostratifizierung und Behandlung von Patienten mit einem Risiko für osteoporotische Frakturen zu spielen. Um die praktische Anwendung dieser Erkenntnisse weiter zu verbessern, könnte in zukünftigen Forschungsarbeiten die Entwicklung eines Nomogramms untersucht werden, das sowohl klinische als auch radiomische Merkmale integriert und so ein benutzerfreundlicheres Werkzeug für Kliniken in der Routinepraxis darstellt.

Die Ergebnisse unterstreichen die Bedeutung multidisziplinärer Ansätze, bei denen Bildgebung, maschinelles Lernen und klinisches Fachwissen kombiniert werden, um das Gebiet der Knochengesundheit und Osteoporose-Forschung voranzubringen. Zukünftige Studien sollten darauf abzielen,diese Ergebnisse in größeren, vielfältigeren Kohorten zu validieren und die klinische Umsetzung dieser fortschrittlichen bildgebenden Biomarker zu untersuchen.