Ein neues klinisches Entscheidungshilfsmittel namens FRACTURE‑ML sagt das Risiko für Hüftfrakturen bei Personen ab 50 Jahren zuverlässig voraus. Die Studie, die von Axelsson, Litsne, Konstantinou, Khalid, Pivodic und Lorentzon durchgeführt wurde, basiert auf Daten von 3.542.647 schwedischen Einwohnern, die zwischen 2011 und 2013 in die Analyse einbezogen wurden.
Studienpopulation und Datenbasis
In die Kohorte wurden alle Personen ab 50 Jahren aufgenommen, die in den beiden Jahren vor Studienbeginn keine Osteoporose‑Medikation erhalten hatten. Während der Nachbeobachtungszeit bis Ende 2021 erlitten 142.327 Personen eine Hüftfraktur. Insgesamt wurden 139.980 Variablen aus Diagnosen, Medikamenten, Eingriffen, demografischen und sozioökonomischen Daten definiert.
Modellentwicklung und Validierung
Die Daten wurden in drei Teilmengen aufgeteilt: 25 % Entdeckungs‑, 65 % Entwicklungs‑ und 10 % Validierungs‑Kohorten. Das DeepSurv‑Modell von FRACTURE‑ML nutzte 2.500 Prädiktoren und erreichte eine Fläche unter der ROC‑Kurve (AUC) von 0,89 (95 % CI 0,88–0,89) nach einem Jahr und 0,88 (95 % CI 0,87–0,88) nach zwei Jahren. Ein reduziertes Modell mit 35 Prädiktoren lieferte AUC‑Werte von 0,87 nach zwei Jahren und 0,85 nach fünf Jahren. Traditionelle Cox‑Modelle mit 35 bzw. 400 Prädiktoren erreichten vergleichbare Werte.
Leistungsvergleich mit etablierten Verfahren
Im Vergleich dazu erzielte das in Schweden etablierte Fracture Liaison Service (FLS)‑Verfahren zur sekundären Prävention eine AUC von 0,55 (95 % CI 0,54–0,55) nach zwei Jahren. FRACTURE‑ML identifizierte für die 2‑Jahres‑Vorhersage fast siebenmal mehr Personen mit erhöhtem Risiko (Sensitivität 0,84, 95 % CI 0,82–0,85) gegenüber dem FLS‑Ansatz (Sensitivität 0,12, 95 % CI 0,11–0,13), wobei die Spezifität nur leicht sank (0,79 vs. 0,98).
Stärken und Schwächen des Ansatzes
Die Studie betont, dass das Modell exzellente Kalibrierungsergebnisse auf individueller Ebene zeigte. Ein wesentlicher Nachteil besteht jedoch darin, dass bislang keine externe Validierung oder Implementierungsstudien durchgeführt wurden, was für die Beurteilung der klinischen Nutzbarkeit erforderlich ist.
Implikationen für die Prävention
Nach Angaben der Autoren könnte FRACTURE‑ML als ressourcenschonende Lösung für das Screening großer Populationen eingesetzt werden, um die primäre Prävention von Hüftfrakturen zu verbessern. Das Tool benötigt keine persönliche Untersuchung und könnte damit die Reichweite von Präventionsprogrammen erhöhen.
Dieser Bericht basiert auf Informationen von PLOS Medicine, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.
[Lizenzangabe]: ‚Creative Commons BY 4.0 (Open Access)‘
[Zusatz]: ‚ Wissenschaftliche Inhalte, offen zugänglich.‘
Ende der Uebertragung