Инструмент поддержки принятия клинических решений для точного прогнозирования перелома бедра: общенациональное когортное исследование

Введение: Хотя переломы бедра часто приводят к снижению функционального состояния, повышению заболеваемости и смертности, точных моделей краткосрочного и долгосрочного прогнозирования, не требующих очного обследования, по-прежнему недостаточно. Целью исследования были разработка и валидация высокоэффективного инструмента поддержки принятия клинических решений для прогнозирования риска перелома бедра, который можно использовать при популяционном скрининге без обследования пациентов.

Методы и результаты: В исследование включили всех жителей Швеции в возрасте ≥50 лет на исходную дату, случайным образом выбранную в период с 2011 по 2013 год (N = 3 542 647), которым в течение предыдущих 2 лет не назначали препараты для лечения остеопороза; наблюдение продолжалось до конца 2021 года. За период наблюдения у 142 327 человек произошёл перелом бедра. В рамках широкого подхода без предварительного отбора определили 139 980 переменных, включавших диагнозы, лекарственные препараты, медицинские процедуры, демографические и социально-экономические данные с различными периодами ретроспективного анализа и степенью детализации. Набор данных разделили на когорты для выявления закономерностей (25%), разработки модели (65%) и независимой проверки (10%). Риск перелома бедра оценивали с помощью традиционных моделей Кокса, а также методов машинного обучения XGBoost и DeepSurv. Разработанный инструмент поддержки принятия клинических решений FRACTURE-ML на основе DeepSurv с использованием 2500 предикторов продемонстрировал площадь под ROC-кривой (AUC) 0,89 (95% ДИ 0,88–0,89) через 1 год и 0,88 (95% ДИ 0,87–0,88) через 2 года. Сокращённая модель с 35 предикторами имела сходные значения AUC: 0,87 через 2 года и 0,85 через 5 лет. Традиционные модели Кокса с 35 и 400 предикторами также достигали сходных значений AUC. Анализ калибровочных графиков показал отличную точность индивидуального прогнозирования как для моделей DeepSurv, так и для моделей Кокса. Скрининг с использованием подхода служб профилактики переломов (FLS), рекомендованного в Швеции для вторичной профилактики и основанного на наличии недавнего перелома, обеспечивал AUC 0,55 (95% ДИ 0,54–0,55) при прогнозировании перелома через 2 года. При прогнозировании на 2 года FRACTURE-ML, который можно использовать как дополнительный инструмент первичной профилактики, выявлял почти в 7 раз больше лиц с риском перелома: чувствительность составляла 0,84 (95% ДИ 0,82–0,85) против 0,12 (95% ДИ 0,11–0,13) при подходе FLS, при небольшом снижении специфичности — 0,79 (95% ДИ 0,79–0,79) против 0,98 (95% ДИ 0,98–0,98) соответственно. Отсутствие внешней валидации и исследований по внедрению является ограничением, поскольку такие исследования необходимы для установления клинической применимости FRACTURE-ML.

Выводы: FRACTURE-ML эффективно прогнозировал риск перелома бедра и может использоваться как ресурсосберегающий инструмент популяционного скрининга для улучшения профилактики переломов бедра.