TY -的A2 Torres-San米格尔,c . r .总监AU -加拉西塞盟——Martin-Guerrero何塞·d . AU - Villamor爱德华多AU -蒙特塞拉特,卡洛斯AU - Ruperez,玛丽亚·约瑟夫PY - 2020 DA - 2020/12/22 TI -风险评估基于机器学习的髋部骨折SP - 8880786六世- 2020 AB -识别高危患者髋部骨折是一个巨大的挑战在骨质疏松症的临床评估。骨矿物质密度(BMD)用双能x线吸收仪(DXA对)是当前黄金标准在骨质疏松症的临床评估。然而,其分类精度只有65%左右。为了提高精度,本文提出了使用机器学习(ML)模型训练数据从生物力学模型,模拟sideways-fall。机器学习(ML)模型是模型能够学习和从数据进行预测。在培训过程中,毫升模型学习一个函数映射输入和输出没有以前知识的问题。毫升模型的主要优势是,一旦映射函数构造,他们可以预测复杂的生物力学行为。然而,尽管越来越流行的机器学习(ML)模型和他们的许多医学领域的广泛应用,其使用髋部骨折预测仍然是有限的。本文提出了使用毫升模型评估和预测髋部骨折的风险。临床、几何和生物力学变量从有限元模拟的秋天是作为独立的变量来训练模型。 Among the different tested models, Random Forest stands out, showing its capability to outperform BMD-DXA, achieving an accuracy over 87%, with specificity over 92% and sensitivity over 83%. SN - 1176-2322 UR - https://doi.org/10.1155/2020/8880786 DO - 10.1155/2020/8880786 JF - Applied Bionics and Biomechanics PB - Hindawi KW - ER -