مكّنت درجة التعلم العميق المستخلصة من الصور الشعاعية الجانبية للفقرات الصدرية القطنية، مقترنة بعوامل الخطر السريرية، من التنبؤ الدقيق بحدوث الكسور الفقرية خلال عامين. وأظهر النموذج الذي تم التحقق من صحته داخليًا قدرة أفضل على التمييز والمعايرة وإعادة التصنيف وفائدة القرار مقارنة بالنموذج السريري، مما يدعم استراتيجيات تصنيف المخاطر الفردية وإدارة الوقاية المبكرة.
مقالة بحثية
التعلم العميق للصور الشعاعية الجانبية للفقرات الصدرية والقطنية وعوامل الخطر السريرية لكسور الفقرات الطارئة: دراسة أتراب استرجاعية في مركز واحد
في هذه المقالة
ملخص
الملخص
لا يزال التحديد المبكر للمرضى المعرضين لخطر حدوث كسر فقري يمثل تحدياً، لأن تقييم المخاطر السريرية الروتيني لا يشمل بشكل كامل هشاشة العمود الفقري الموضعية. قامت هذه الدراسة الاسترجاعية للأتراب في مركز واحد بتقييم ما إذا كانت سمات التعلم العميق (DL) المستخلصة من الصور الشعاعية الجانبية الصدرية القطنية المرجعية تحسن من التنبؤ بحدوث كسر فقري خلال عامين عند دمجها مع عوامل الخطر السريرية. شملت الدراسة ما مجموعه 2,173 مريضاً تم تقسيمهم زمنياً إلى أتراب اشتقاق (n = 1,449) وأتراب تحقق داخلي (n = 724). تم اشتقاق سمات DL من الصور الشعاعية المرجعية، واستُخدم انحدار LASSO-Cox لاختيار المتنبئات وبناء نموذج سريري، ونموذج DL، ونموذج مدمج. تم تقييم الأداء عن طريق تصحيح التفاؤل بطريقة bootstrap، والتحقق الداخلي الزمني، والمعايرة، وتحليل منحنى القرار، وتحسين إعادة التصنيف الصافي المعتمد على الوقت (NRI)، وتحسين التمييز المتكامل (IDI)، وتحليلات الحساسية. من بين 2,048 سمة DL مرشحة، تم الاحتفاظ بـ 5 سمات لإنشاء درجة DL، والتي ظلت متنبئاً مستقلاً في النموذج المدمج (HR 1.64, 95% CI 1.34–2.01; P < 0.001). وفي التحقق الداخلي، حقق النموذج المدمج مؤشر C قدره 0.759، ومساحة تحت المنحنى (AUC) لمدة عامين بلغت 0.774، ودرجة Brier لمدة عامين بلغت 0.077، وهي نتائج تتفوق جميعها على النموذج السريري، مع معايرة جيدة (التقاطع 0.012؛ الميل 0.972). وبالمقارنة مع النموذج السريري، حسن النموذج المدمج أيضاً من إعادة التصنيف (NRI لمدة عامين 0.316 في مجموعة الاشتقاق و 0.241 في مجموعة التحقق) والتمييز (IDI لمدة عامين 0.047 و 0.033 على التوالي؛ جميع قيم P < 0.01)، ووفر فائدة صافية أكبر في تحليل منحنى القرار. وكانت تحليلات الحساسية متوافقة مع النتائج الأولية. إن دمج سمات DL من الصور الشعاعية الجانبية الصدرية القطنية مع عوامل الخطر السريرية قد يسمح بتنبؤ فردي أكثر دقة بحدوث كسر فقري خلال عامين.
المقدمة
يُعد كسر الفقرات أحد أكثر أنواع كسور الهشاشة الناتجة عن هشاشة العظام شيوعاً، وينتشر بشكل خاص في المنطقة الصدرية القطنية. ويمكن أن يؤدي ذلك إلى آلام مزمنة، وفقدان في الطول، وتشوه تحدبي، ومحدودية في الحركة، وزيادة خطر تكرار الكسر وسوء الإنذار الطبي1. وفي الممارسة السريرية، تفتقر نسبة كبيرة من المرضى إلى الأعراض النموذجية قبل حدوث الكسر، ويتم تحديد العديد من الحالات فقط من خلال التصوير المتابِع، مما يشير إلى أن الاعتماد فقط على الأعراض أو التشخيص الاسترجاعي يجعل من الصعب إتمام الفحص المبكر للمجموعات السكانية الأكثر عرضة للخطر2,3. ويعتمد تقييم المخاطر الحالي بشكل أساسي على معلومات مثل العمر، والجنس، ومؤشر كتلة الجسم، وكسور الهشاشة السابقة، ومرض السكري، والتعرض للجلوكوكورتيكويد، وكثافة المعادن في العظام، والتي يمكن أن تعكس خلفية هشاشة العظام الجهازية، ولكن من الصعب توصيف الهشاشة الهيكلية الموضعية والتشوهات الميكانيكية للعمود الفقري الصدري القطني بشكل كامل، وهذا يمثل أيضاً صعوبة رئيسية قائمة منذ فترة طويلة في التنبؤ بخطر حدوث كسور فقارية جديدة4. وتعتبر الأشعة السينية الجانبية للفقرات الصدرية القطنية واحدة من أكثر فحوصات تصوير العمود الفقري استخداماً وسهولة في الوصول إليها في الممارسة السريرية؛ فهي لا تظهر مورفولوجيا الفقرات فحسب، بل قد تحتوي أيضاً على أنماط ظاهرية خفية مرتبطة بالكسور المستقبلية، مثل تغيرات الصفيحة النهائية، وبنية العظام المتفرقة، والانضغاط الوتدي الطفيف، وعدم توازن المحاذاة5. وقد ركزت الدراسات السابقة في الغالب على اكتشاف كسور الفقرات الموجودة، أو تشخيص هشاشة العظام، أو تقييم المخاطر باستخدام مؤشرات القياس اليدوي6,7. وقد أظهرت أدلة حديثة أن تحديد كسور الفقرات السائدة وهشاشة العظام عن طريق التعلم العميق في تصوير العمود الفقري الجانبي، جنباً إلى جنب مع عوامل الخطر السريرية، يمكن أن يحسن التنبؤ بحدوث الكسور5؛ ومع ذلك، لا تزال الأدلة محدودة فيما يخص التنبؤ بحدوث كسر فقاري تحديداً لدى المرضى الذين لا يعانون من كسر فقاري مستهدف عند خط الأساس باستخدام صور الأشعة السينية الجانبية الروتينية للفقرات الصدرية القطنية وميزات التعلم العميق (DL) الموضعية. وقد استُخدمت أساليب الذكاء الاصطناعي لتحليل تصوير العمود الفقري، لكن الدراسات التي تستهدف مباشرة هذا السيناريو السريري المحدد لا تزال محدودة، كما أن التقييم المنهجي للمعايرة، والمنفعة الصافية من تحليل القرار، والتحقق من خلال التقسيم الزمني لا يزال غير كافٍ في هذا السياق8.
وبناءً على ذلك، يصعب الإجابة على سؤال أكثر صلة من الناحية السريرية: هل يمكن للميزات التي يستخلصها التعلم العميق من الأشعة السينية الجانبية الروتينية للفقرات الصدرية القطنية أن توفر معلومات إضافية مستقلة وذات مغزى بناءً على تقييم المخاطر السريرية9؟ واستنادًا إلى الخلفية المذكورة أعلاه، اعتمدت هذه الدراسة تصميم دراسة أترابية استرجاعية في مركز واحد، حيث تم استخلاص ميزات التعلم العميق من الأشعة السينية الجانبية للفقرات الصدرية القطنية، ودمجها مع عوامل الخطر السريرية لبناء نموذج للتنبؤ بمخاطر حدوث كسر فقاري في غضون عامين، كما تم تقييم قدرة النموذج على التمييز والمعايرة والمتانة والقيمة السريرية من خلال التحقق الداخلي الزمني، وتصحيح التفاؤل بطريقة bootstrap، وتحليل الحساسية. ركزت هذه الدراسة على التحذير من المخاطر الفردية تحت الأشعة السينية الروتينية، من خلال دمج الأنماط الظاهرية لهشاشة التصوير الموضعي الخفية ومعلومات القابلية السريرية الجهازية في أداة تنبؤ قابلة للتفسير، وذلك لتوفير أساس لتحديد الحالات عالية المخاطر، وتكثيف المتابعة، والتدخل الوقائي.
البروتوكول
تمت مراجعة هذه الدراسة والموافقة عليها من قبل لجنة الأخلاقيات الطبية في مستشفى شنغهاي الثامن الشعبي، شنغهاي، الصين (رقم الموافقة 2026-102-03-02). وبما أن هذه الدراسة كانت دراسة استعادية وقد تم إخفاء هوية جميع البيانات قبل التحليل، فقد أعفت لجنة الأخلاقيات من الحصول على موافقة مستنيرة من المرضى.
تصميم الدراسة:
نوع الدراسة
كانت هذه الدراسة عبارة عن دراسة أتراب استرجاعية في مركز واحد، وقد تم إنشاء قاعدة بيانات الدراسة باستخدام بيانات من نظام أرشفة الصور والاتصالات (PACS) بالمستشفى، ونظام معلومات الأشعة (RIS)، ونظام السجلات الطبية الإلكترونية. اشتمل مجتمع الدراسة على المرضى الذين خضعوا المتتاليين لفحص الأشعة السينية الرقمية الجانبية للفقرات الصدرية والقطنية في المستشفى. امتدت فترة الإدراج من 1 يناير 2018 إلى 31 ديسمبر 2023، وكان الموعد النهائي للمتابعة هو 31 ديسمبر 2025. اتبع تقرير الدراسة توصيات TRIPOD+AI وSTROBE لضمان توحيد معايير التقارير الخاصة بدراسات نماذج التنبؤ التي تتضمن الذكاء الاصطناعي والدراسات الرصدية.
إطار الدراسة ومصدر الحالات
استُمدت الحالات من عملية التشخيص والعلاج السريري الروتينية للمرضى الخارجيين، ومرضى الطوارئ، والمرضى المقيمين في المستشفى. استُمدت بيانات التصوير بالكامل من ملفات DICOM الأصلية في نظام PACS، بينما استُمدت البيانات السريرية من السجلات الطبية الإلكترونية المهيكلة، وأنظمة المختبرات، وسجلات الوصفات الطبية. تم تحديد تاريخ أول فحص بالأشعة السينية الجانبية للفقرات الصدرية القطنية الذي استوفى معايير الاشتمال خلال فترة الدراسة كتاريخ أساسي؛ وفي حال خضع المريض نفسه لفحوصات متعددة تستوفي المعايير، تم الاحتفاظ بالفحص الأبكر فقط كفحص أساسي لتجنب تكرار الإدراج. تم إخفاء هوية جميع البيانات قبل التحليل، وتمت مطابقة معلومات التصوير والمعلومات السريرية باستخدام رقم تعريف دراسة فريد.
مجتمع الدراسة:
معايير الاشتمال
كانت معايير الاشتمال كما يلي: السن 50 عاماً أو أكثر؛ وإجراء فحص الأشعة السينية الرقمية القياسي للفقرات الصدرية والقطنية في وضعية الوقوف الجانبية بالمستشفى خلال فترة الدراسة؛ وتوفر التصوير الأساسي بتنسيق DICOM قابل للتتبع؛ والظهور الكامل للفقرات من T10 إلى L4 في التصوير الأساسي؛ وعدم وجود كسر فقري حالي من T10 إلى L4 عند مراجعة التصوير الأساسي؛ وإمكانية استخراج متغيرات سريرية أساسية محددة مسبقاً من السجلات الطبية الإلكترونية؛ وإجراء فحص متابعة واحد على الأقل بالأشعة السينية أو الأشعة المقطعية (CT) أو الرنين المغناطيسي (MRI) للفقرات الصدرية والقطنية خلال 24 شهراً من التصوير الأساسي، أو حدوث كسر فقري جديد مؤكد بالتصوير خلال 24 شهراً.
معايير الاستبعاد
تمثلت معايير الاستبعاد فيما يلي: حدوث كسر فقري من T10 إلى L4 عند الخط الأساسي؛ وجود تاريخ مؤكد لإصابة عنيفة عالية الطاقة عند الخط الأساسي أو أثناء المتابعة؛ وجود ورم نخاعي أولي أو ثانوي، أو عدوى في النخاع الشوكي، أو مرض عظمي تدميري؛ الخضوع المسبق لجراحة تثبيت داخلي صدري قطني، أو عملية رتق الفقرات (vertebroplasty)، أو عملية رتق تحدب الفقرات (kyphoplasty)؛ الإصابة بالجنف بزاوية كوب (Cobb angle) أكبر من 30° أو وجود تشوه تحدبي واضح (بما في ذلك التشوه التحدبي من نوع شويرمان، في حال وجوده) مما يؤدي إلى عدم القدرة على تحديد الصفائح النهائية بدقة من T10 إلى L4؛ وجود تشويش حركي واضح، أو تعريض غير طبيعي، أو انسداد معدني، أو نطاق عرض غير كافٍ في التصوير؛ عدم القدرة على تأكيد المتغيرات الأساسية الرئيسية أو معلومات النتائج من السجلات الطبية الإلكترونية.
عملية إنشاء المجموعة الأترابية الاستعادية
أتم باحثان عملية فحص مجتمع الدراسة بشكل مستقل وفقاً للمعايير المحددة مسبقاً، وتم حل الخلافات عن طريق المناقشة للتوصل إلى إجماع. بعد اكتمال فحص الحالات، تم إجراء تجميع للسلاسل الزمنية بناءً على تاريخ الأساس: حيث شكل المرضى الذين تم تسجيلهم من 1 يناير 2018 إلى 31 ديسمبر 2021 مجموعة الاشتقاق لاختيار الميزات وبناء النموذج؛ بينما شكل المرضى الذين تم تسجيلهم من 1 يناير 2022 إلى 31 ديسمبر 2023 مجموعة التحقق الداخلي لتقييم أداء النموذج. يمكن أن يقلل التقسيم الزمني، بدلاً من التقسيم العشوائي، من خطر تسرب المعلومات ويكون أقرب إلى سيناريو التطبيق الفعلي للنموذج على المرضى اللاحقين. تظهر عملية فحص مجتمع الدراسة في شكل مخطط تدفقي.
النتيجة الأولية وكيفية تحديدها:
تعريف النتيجة الأولية
كانت النتيجة الأولية لهذه الدراسة هي أول حالة كسر فقري هش حدثت من T10 إلى L4 خلال 24 شهراً من خط الأساس. تم تحديد النافذة الزمنية للتنبؤ في الدراسة مسبقاً بسنتين، وكانت مخرجات النموذج هي احتمالية المخاطر الفردية لحدوث كسر فقري خلال سنتين.
معايير تحديد حدوث كسر فقاري
عُرِّف حدوث كسر فقري على النحو التالي: مقارنة بالتصوير الأساسي، أظهر التصوير المتابِع انخفاضًا بنسبة 20% أو أكثر في الارتفاع الأمامي أو الأوسط أو الخلفي لأي جسم فقري من T10 إلى L4، مع انخفاض مطلق في الارتفاع لا يقل عن 4 mm، أو ظهور انهيار جديد في الصفيحة النهائية أو انقطاع قشري10. تم تحديد النتيجة بشكل شامل استنادًا إلى الأشعة السينية والـ CT والـ MRI للمنطقة الصدرية القطنية في مرحلة المتابعة. أجرى قراءة الصور بشكل مستقل اثنان من أخصائيي أشعة الجهاز العضلي الهيكلي، لديهما خبرة تشخيصية ذات صلة تبلغ 8 سنوات و12 سنة على التوالي، ولم يكن لأي منهما إمكانية الوصول إلى البيانات السريرية أو نتائج مخرجات النموذج أثناء قراءة الصور؛ وفي حال حدوث خلاف، يتم التحكيم بواسطة أخصائي أشعة جهاز عضلي هيكلي أول لديه خبرة 18 سنة. ولم تُحتسب الكسور الفقرية الناتجة عن الأورام أو العدوى أو الإصابات العنيفة عالية الطاقة كأحداث ضمن النتائج.
نقطة بداية المتابعة، ونقطة النهاية، ونافذة الملاحظة
كانت نقطة بداية المتابعة هي تاريخ إجراء الفحص الأساسي بالأشعة السينية الجانبية للفقرات الصدرية القطنية. وقد تم تحديد نقطة نهاية المتابعة بأنها أبكر النقاط الزمنية التالية: تاريخ حدوث أول كسر فقري، أو مرور 24 شهراً بعد الفحص الأساسي، أو تاريخ آخر فحص تصويري للعمود الفقري يؤكد عدم وجود كسر فقري، أو تاريخ الوفاة. ولم يتم إدراج الكسور التي ظهرت لأول مرة بعد 24 شهراً ضمن النتيجة الأولية. أما المرضى الذين لم تحدث لديهم أحداث النتيجة فقد تم التعامل معهم كبيانات خاضعة للرقابة.
جمع البيانات السريرية وتحديد المتغيرات السريرية المرشحة:
البيانات الديموغرافية والسريرية العامة
قام باحثان باستخراج البيانات السريرية الأساسية من نظام السجلات الطبية الإلكترونية وفقاً لنموذج تقرير حالة موحد، دون مراجعة نتائج تحديد المخرجات أثناء عملية الاستخراج. وشملت البيانات الديموغرافية والسريرية العامة التي تم جمعها العمر، والجنس، والطول، والوزن، ومؤشر كتلة الجسم. تم تعريف العمر بأنه العمر الفعلي في تاريخ الأساس؛ وأُخذ الوزن والطول من السجل الأقرب إلى تاريخ الأساس في غضون 30 يوماً قبل أو بعد ذلك التاريخ؛ وحُسب مؤشر كتلة الجسم بقسمة الوزن على مربع الطول، بوحدة kilograms per square meter.
التاريخ الطبي، واستخدام الأدوية، والبيانات المتعلقة باستقلاب العظام
بناءً على التوافر السريري وقابلية تعميم النموذج، تم تحديد عوامل الخطر السريرية المرشحة التالية مسبقاً لإدراجها: التاريخ السابق لكسور الهشاشة، وداء السكري من النوع 2، والتهاب المفاصل الروماتويدي، والاستخدام المزمن للجلوكوكورتيكويدات عن طريق الفم، والعلاج الأساسي لمكافحة هشاشة العظام. لم يتم تحديد قياسات كثافة المعادن في العظام الأساسية الموحدة ودرجة FRAX مسبقاً كمتنبئات مرشحة لأنها لم تكن متوفرة بشكل موحد كمتغيرات أساسية معيارية عبر المجموعة بأكملها؛ وبدلاً من ذلك، تم النظر في العديد من العوامل السريرية المرتبطة بـ FRAX بشكل منفصل كمتغيرات مرشحة فردية. تم استخلاص التاريخ السابق لكسور الهشاشة، وتشخيص الأمراض الكامنة، ومعلومات الأدوية من السجلات الطبية الإلكترونية، وسجلات الخروج من المستشفى، وأنظمة الوصفات الطبية قبل فترة القياس الأساسية، وكان من الضروري أن تكون جميع المتغيرات موجودة قبل هذه الفترة لضمان أن المتنبئات سبقت زمنياً الحدث الناتِج.
معايير التعريف للمتغيرات السريرية
عُرِّف التاريخ السابق لكسور الهشاشة بأنه حدوث كسر بعد سن 40 عاماً، ناتج عن إصابة منخفضة الطاقة، ومسجل بوضوح في السجل الطبي؛ ولم يشمل هذا التعريف كسور الجمجمة، وعظام الوجه، وعظام الأصابع، وعظام أصابع القدم. وعُرِّف داء السكري من النوع 2 بأنه تشخيص واضح مسجل قبل الخط الأساسي، أو استخدام طويل الأمد للأدوية الخافضة لسكر الدم. وعُرِّف التهاب المفاصل الروماتويدي بأنه تشخيص واضح وضعه اختصاصي في أمراض الروماتيزم في السجل الطبي. أما الاستخدام المزمن للجلوكوكورتيكويدات عن طريق الفم، فقد عُرِّف بأنه جرعة مكافئة للبريدنيزون لا تقل عن 5 mg/d لمدة لا تقل عن 3 أشهر خلال سنة واحدة قبل الخط الأساسي. وعُرِّف علاج هشاشة العظام عند الخط الأساسي بأنه الاستخدام المستمر لأي من البسفوسفونates، أو denosumab، أو teriparatide، أو raloxifene، أو calcitonin، أو alfacalcidol، أو calcitriol خلال 3 أشهر قبل الخط الأساسي، ولمدة لا تقل عن 8 أسابيع. وقد عومل العمر ومؤشر كتلة الجسم كمتغيرات مستمرة في النمذجة ولم يتم تصنيفهما اصطناعياً.
جمع بيانات التصوير والمعالجة المسبقة للصور
بروتوكول الحصول على الأشعة السينية الجانبية للفقرات الصدرية القطنية
كانت جميع الصور المرجعية عبارة عن صور أشعة سينية جانبية قياسية للفقرات الصدرية القطنية في وضعية الوقوف، تم الحصول عليها بواسطة نظام التصوير الشعاعي الرقمي بالمستشفى. وأثناء الفحص، اتخذ المرضى وضعية وقوف طبيعية، مع ثني الطرفين العلويين للأمام لتقليل تداخل الكتفين، وغطى نطاق التصوير من T10 إلى L4. استُخدم التحكم التلقائي في التعرض للفحص، بنطاق جهد للأنبوب يتراوح بين 80–95 kV ومسافة من المصدر إلى الصورة تبلغ 110 cm. وبالنسبة للمريض نفسه، عند توفر صور شعاعية جانبية متعددة مؤهلة في التاريخ المرجعي، تم اختيار الصورة ذات نطاق العرض الكامل وأفضل جودة صورة لتكون موضوع التحليل.
معايير تضمين الصور ومراقبة الجودة
كان من الضروري أن تستوفي الصور المرجعية متطلبات الجودة التالية: التصوير الكامل للفقرات من T10 إلى L4 وصفائحها الطرفية العلوية والسفلية؛ ووضوح الحواف الأمامية والخلفية للفقرات، والصفائح الطرفية، والحدود القشرية؛ وخلو الصور من أي آثار واضحة لحركة الجسم؛ وعدم وجود تعريض مفرط أو نقص حاد في التعريض الضوئي؛ وعدم وجود انسداد معدني في مساحات واسعة؛ وعدم وجود تشوه مورفولوجي واضح ناتج عن دوران وضعية الجسم. كما استُبعدت الصور التي تظهر تغيرات تنكسية شديدة أو نتوءات عظمية تحول دون التحديد الموثوق لحواف الفقرات أو الصفائح الطرفية. وقد قام اثنان من أطباء الأشعة المتخصصين في الجهاز العضلي الهيكلي بمراجعة جودة جميع الصور المرجعية، واستُبعدت أي صورة لم تستوفِ أيًا من معايير الجودة الأساسية.
المعالجة المسبقة للصور وتوحيدها
تم إخفاء هوية جميع صور DICOM قبل التحليل. شملت خطوات المعالجة المسبقة توحيد اتجاه الصور، وإعادة أخذ العينات إلى دقة مكانية تبلغ 0.30 mm × 0.30 mm، واقتطاع قيم التدرج الرمادي بين المئوي 0.5th والمئوي 99.5th، وتقييس قيم البكسل إلى الفترة 0–1 باستخدام طريقة تطبيع الحد الأدنى والأقصى (min-max normalization). تم الحفاظ على اتساق سير عمل المعالجة المسبقة المذكور أعلاه في مجموعة الاشتقاق ومجموعة التحقق، وقد تم تنفيذ جميع هذه الخطوات تلقائيًا بواسطة نصوص برمجية محددة مسبقًا لتقليل الانحياز الناتج عن العمليات اليدوية.
استخراج ميزات التصوير بالتعلم العميق:
تحديد المنطقة ذات الأهمية
كانت المنطقة محل الاهتمام هي منطقة الإسقاط الجانبي للعمود الفقري بين الصفيحة النهائية العلوية للفقرة T10 والصفيحة النهائية السفلية للفقرة L4. قام أخصائي أشعة العضلات والعظام، بخبرة تمتد لـ 8 سنوات، بإكمال تعيين توصيف الصناديق المستطيلة لجميع الصور الأساسية باستخدام برنامج ITK-SNAP، مع تحديد الحد الأمامي على بعد 5 mm أمام الحافة الأمامية للفقرة، والحد الخلفي على بعد 5 mm خلف الحافة الخلفية للفقرة11؛ بينما قام أخصائي أشعة عضلات وعظام آخر، بخبرة تمتد لـ 12 عاماً، بمراجعة الصور حالة بحالة. كانت المنطقة محل الاهتمام (ROI) عبارة عن صندوق مستطيل على مستوى المنطقة بدلاً من تقسيم دقيق لمحيط الفقرة؛ وبناءً على ذلك، لم يتم استبعاد الناتئات العظمية الهامشية الشائعة بشكل منفصل، وكان من الممكن إدراجها جزئياً إذا وقعت ضمن الحدود المحددة مسبقاً، في حين أن الحالات التي تعاني من تغيرات تنكسية شديدة بما يكفي لحجب حواف الفقرات أو الصفائح النهائية قد تم استبعادها بالفعل أثناء مراجعة جودة الصور. ولتقييم إمكانية تكرار تعيين توصيف المنطقة، تم اختيار 50 صورة عشوائياً وأعاد أخصائي الأشعة نفسه تعيين توصيفها بعد 4 أسابيع، كما أعاد أخصائي الأشعة الثاني تعيين توصيفها بشكل مستقل، وذلك لإجراء تحليل استقرار الميزات لاحقاً. بعد قص المنطقة محل الاهتمام (ROI)، تم تغيير حجم جميع الصور بشكل موحد إلى 224 × 224 بكسل.
بنية نموذج التعلم العميق وعملية استخراج الميزات
استخدمت هذه الدراسة الشبكة العصبية التلافيفية ResNet50 كمستخرج لميزات التعلم العميق. تم تهيئة معاملات الشبكة باستخدام أوزان ImageNet مسبقة التدريب، وأُجري تكيف معياري ذاتي الإشراف على جميع صور المنطقة المهتمة (ROI) الأساسية في مجموعة الاشتقاق، دون استخدام تسميات النتائج خلال عملية التكيف. وتحديداً، تم استخدام مهمة تباينية ذاتية الإشراف، حيث عوملت رؤيتان معززتان بشكل مستقل تم توليدهما من نفس صورة المنطقة المهتمة كزوج إيجابي، بينما عوملت الرؤى من مرضى مختلفين ضمن نفس الدفعة الصغيرة كأزواج سلبية، لكي يتمكن المشفر من التكيف مع توزيع صور الدراسة. استخدم تدريب النموذج مُحسن AdamW، مع تحديد معدل تعلم أولي عند 1 × 10^-4، وحجم دفعة قدره 64، و200 حقبة تدريبية؛ وخلال التدريب، تم إجراء تعزيز للبيانات من خلال تدوير بمقدار ±5°، وتغيير المقياس بمقدار 0.9–1.1 ضعف، وإزاحة لا تزيد عن 10 بكسل، واضطراب في التباين بنسبة ±10%12. استُخدمت هذه التعزيزات لتوليد رؤى مزدوجة للمهمة ذاتية الإشراف، واستُخدمت في هذه المرحلة الصور غير المسماة من مجموعة الاشتقاق فقط. بعد التكيف المعياري، لم يتم إجراء أي ضبط دقيق خاضع لإشراف النتائج، وتم تثبيت المشفر الأساسي المتكيف لاستخراج الميزات. وبعد اكتمال التكيف المعياري، تم استخراج المتجه ذو الأبعاد 2,048 الناتج عن طبقة التجميع المتوسط العالمي كميزات تعلم عميق مرشحة لكل مريض.
فحص سمات التصوير وتقليل الأبعاد
أولاً، تم حساب معامل الارتباط داخل الفئات (ICC) للميزات بناءً على 50 صورة ذات تعليقات توضيحية مكررة، وتم الاحتفاظ بالميزات التي لم يقل معامل ICC الخاص بها، سواء للمراقب نفسه أو بين المراقبين، عن 0.80 لضمان استقرار الميزات تجاه الاختلافات الطفيفة في المنطقة المهتم بها (ROI). لاحقاً، تم توحيد الميزات التي تم الاحتفاظ بها باستخدام درجة Z (Z-score standardized) في مجموعة الاشتقاق، وتمت إزالة الميزات ذات التباين الصفري، وبالنسبة للميزات التي يتجاوز معامل الارتباط الزوجي المطلق لها 0.90، تم الاحتفاظ بواحدة منها فقط. وأخيراً، استُخدم انحدار LASSO-Cox لاختيار الميزات، وتم تحديد معامل الجزاء عن طريق التحقق المتقاطع بمقدار 10 طيات وفقاً لمعيار 1-SE. تم وزن الميزات ذات معاملات الانحدار غير الصفرية وجمعها وفقاً لمعاملاتها لبناء درجة التعلم العميق (DL score)13. وبعد تحديد صيغة التسجيل هذه في مجموعة الاشتقاق، تم تثبيتها دون تغيير وتطبيقها مباشرة على مجموعة التحقق الداخلية.
المعالجة المسبقة ودمج المتنبئات المرشحة:
التعامل مع البيانات المفقودة وتوحيد البيانات
تم الحصول على جميع المتغيرات السريرية المرشحة من حقول السجلات الطبية المنظمة. واستُبعدت المتغيرات التي تجاوز معدل فقدان البيانات فيها 20% من عملية النمذجة. أما القيم المفقودة المتبقية فقد تم التعامل معها باستخدام التضمين المتعدد عن طريق المعادلات المتسلسلة، مما أدى إلى توليد 10 مجموعات بيانات مضمنة؛ وقد تضمن نموذج التضمين جميع المتنبئات المرشحة، ومتغير مؤشر النتيجة، وتقدير خطر نيلسون-آلن التراكمي للحفاظ على معلومات النتيجة المتعلقة بالوقت حتى وقوع الحدث قدر الإمكان. تم تقييس المتغيرات السريرية المستمرة ودرجة DL باستخدام المتوسط والانحراف المعياري لمجموعة الاشتقاق، وطُبقت معاملات التحويل نفسها على مجموعة التحقق؛ بينما تم ترميز المتغيرات الثنائية بشكل موحد كـ 0 أو 1.
اختيار عوامل الخطر السريرية
اعتمد التحديد المسبق لعوامل الخطر السريرية المرشحة على القابلية للتفسير السريري، والأدلة السابقة، وتوافر البيانات، ولم يتم استخدام فحص قيمة P أحادية المتغير. تمثلت المتغيرات السريرية المرشحة التي أُدخلت في اختيار LASSO-Cox في العمر، والجنس، ومؤشر كتلة الجسم، والتاريخ السابق لكسور الهشاشة، وداء السكري من النوع 2، والتهاب المفاصل الروماتويدي، والاستخدام المزمن للجلوكوكورتيكويد عن طريق الفم، وعلاج هشاشة العظام الأساسي؛ أما الطول والوزن فقد جُمعا بشكل وصفي واستُخدما لاستخلاص مؤشر كتلة الجسم، ولكن لم يتم إدخالهما بشكل منفصل في النمذجة. أُجري انحدار LASSO-Cox بشكل منفصل في 10 مجموعات بيانات مكملة لمجموعة الاشتقاق، واختير معامل الجزاء باستخدام التحقق المتقاطع بمقدار 10 طيات؛ وأُدخلت المتغيرات ذات المعاملات غير الصفرية في 7 مجموعات بيانات مكملة على الأقل في النموذج السريري النهائي. تم اختبار كل من العمر ومؤشر كتلة الجسم للبحث عن علاقات غير خطية باستخدام شرائح تكعيبية مقيدة؛ وإذا كان المصطلح غير الخطي غير دال إحصائياً، فقد تم الاحتفاظ بالشكل الخطي. تم تقييم التعدد الخطي بواسطة عامل تضخم التباين، ولم يتم الاحتفاظ بالمتغيرات التي يزيد عامل تضخم التباين الخاص بها عن 5 في وقت واحد.
بناء مجموعة التنبؤ المدمجة
لتجنب الإفراط في التجهيز (overfitting) الناتج عن إدخال سمات التصوير عالية الأبعاد مباشرة في النموذج، تم أولاً ضغط معلومات التعلم العميق في متغير مستمر واحد، وهو درجة التعلم العميق (DL score)، ثم أُدخلت هذه الدرجة في النمذجة المشتركة مع عوامل الخطر السريرية المختارة. لم يتم تحديد أي حدود تفاعلية مسبقاً في النموذج المشترك، وذلك للحفاظ على بساطة النموذج وقابلية تفسيره. وتكونت مجموعة التنبؤ المشتركة النهائية من درجة التعلم العميق والمتغيرات السريرية التي تم الإبقاء عليها.
بناء نموذج التنبؤ بالمخاطر:
استراتيجية النمذجة
في مجموعة الاشتقاق، تم إنشاء النموذج السريري، ونموذج التعلم العميق، والنموذج المدمج بشكل منفصل. استخدمت النماذج انحدار مخاطر كوكس المتناسبة، حيث كانت نقطة النهاية للدراسة هي أول حدوث لكسر فقاري هشاشة خلال 24 شهراً بعد الخط الأساسي، وقد وُصفت قواعد الرقابة في تعريف المتابعة المذكور أعلاه. وللحد من الإفراط في التخصيص، تم تقييد تعقيد النموذج المدمج قبل النمذجة، وتم الحفاظ على نسبة أحداث لكل معلمة مرتفعة نسبياً قدر الإمكان. تم تقدير معاملات الانحدار النهائية والأخطاء المعيارية لكل نموذج بشكل منفصل في مجموعات البيانات العشر المكملة، ثم تم تجميعها باستخدام قواعد روبن. وقد قُدرت دالة المخاطر الأساسية وفقاً لطريقة بريسلو، كما تم حساب احتمال المخاطرة الفردي لمدة سنتين.
إنشاء النموذج السريري
شمل النموذج السريري عوامل الخطر السريرية التي تم الإبقاء عليها بعد عملية الاختيار باستخدام LASSO-Cox. وقد تم الإبقاء على جميع المتغيرات المستمرة في شكلها المستمر ولم يتم تقسيمها إلى متغيرات ثنائية. وبعد ملاءمة النموذج، تم اختبار افتراض المخاطر النسبية باستخدام بواقي Schoenfeld؛ وبالنسبة للمتغيرات التي لم تستوفِ افتراض المخاطر النسبية، تمت إضافة حد تفاعلي مع ln(time) للتصحيح. واستُخدم النموذج السريري لتحديد القدرة التنبؤية للمعلومات السريرية التقليدية في حدوث الكسور الفقرية.
بناء نموذج التصوير بالتعلم العميق
تم إنشاء نموذج التعلم العميق كنموذج كوكس للمخاطر النسبية باستخدام درجة DL كمتنبئ وحيد، وذلك لقياس القدرة التنبؤية لميزات التعلم العميق المستخلصة من الأشعة السينية الجانبية للفقرات الصدرية القطنية عند خط الأساس للتنبؤ بخطر حدوث كسر فقاري خلال عامين. لم يدمج هذا النموذج أي معلومات سريرية، وبالتالي فقد كان بمثابة نموذج تصويري أحادي النمط للمقارنة مع النماذج الأخرى.
بناء النموذج المدمج
قام النموذج المدمج بإضافة درجة التعلم العميق (DL score) بناءً على النموذج السريري، وأنشأ نموذج تنبؤ شاملاً يعتمد على سمات التعلم العميق المستخلصة من الأشعة السينية الجانبية للفقرات الصدرية القطنية مدمجة مع عوامل الخطر السريرية. وبعد إنشاء النموذج المدمج، تم رسم مخطط نوموجرام (nomogram) للمخاطر لمدة عامين وفقاً لمعاملات الانحدار الخاصة به، وذلك لتقدير المخاطر الفردية وعرض التطبيق السريري.
التحقق الداخلي وتقييم أداء النموذج:
طريقة التحقق الداخلي
اعتمد التحقق الداخلي استراتيجية تحقق داخلي أحادية المركز مفصولة زمنياً. تم تطبيق جميع النماذج التي تم إنشاؤها في مجموعة الاشتقاق مباشرة على مجموعة التحقق التي تم تسجيلها من 1 يناير 2022 إلى 31 ديسمبر 2023، بعد تثبيت المعايير، ودون إعادة ضبط. بالإضافة إلى ذلك، تم إجراء 1,000 عينة إعادة سحب بطريقة bootstrap ضمن مجموعة الاشتقاق للحصول على تقديرات أداء مصححة من التفاؤل، وذلك لتقييم استقرار النموذج.
تقييم التمييز
تم تقييم التمييز بين النماذج باستخدام مؤشر هاريل للتوافق (Harrell concordance index) ومساحة المنطقة تحت المنحنى (AUC) المعتمدة على الوقت لمدة سنتين والمحسوبة بناءً على طريقة ترجيح احتمال الرقابة العكسي، مع تسجيل فواصل ثقة 95% لكليهما. ويشير التمييز الأعلى إلى أن النموذج أكثر قدرة على التمييز بين الأفراد الذين سيصابون بكسور فقارية عرضية في المستقبل وأولئك الذين لن يصابوا بها. كما حُسبت الفروقات في التمييز بين النماذج باستخدام طريقة بوتستراب (bootstrap method) مع فواصل ثقة 95%.
تقييم المعايرة
تم تقييم معايرة النموذج باستخدام منحنى معايرة المخاطر لمدة عامين، وتقاطع المعايرة، وميل المعايرة، ودرجة برير (Brier score) لمدة عامين. تم رسم منحنى المعايرة بناءً على العشيرات من المخاطر المتوقعة وتم تصحيحه باستخدام طريقة البوتستراب (bootstrap). يشير تقاطع المعايرة القريب من 0، وميل المعايرة القريب من 1، وانخفاض درجة برير إلى وجود توافق جيد بين المخاطر المتوقعة والمخاطر الملاحظة فعلياً.
تقييم قيمة التطبيق السريري
تم تقييم قيمة التطبيق السريري للنموذج من خلال تحليل منحنى القرار لمدة عامين، مع مقارنة المنفعة الصافية في ظل احتمالات عتبة مختلفة. تم تحديد نطاق احتمال العتبة مسبقًا بين 0.05–0.30 لتغطية فاصل المخاطر الذي قد يُستخدم سريريًا للمتابعة المكثفة، أو إجراء تقييم إضافي للعظام، أو إدارة التدخل العلاجي14. واعتُبر النموذج الذي يحقق منفعة صافية أعلى يمتلك قيمة أفضل في دعم القرار السريري.
مقارنة النماذج وتحديد النموذج الأفضل
تمت مقارنة النموذج السريري، ونموذج التعلم العميق، والنموذج المشترك بشكل شامل من حيث القدرة التمييزية، والمعايرة، ودرجة برير (Brier score)، ومنحنى القرار. كما تم قياس مقدار التحسن في النموذج المشترك مقارنة بالنموذج السريري باستخدام تحسين إعادة التصنيف الصافي المعتمد على الوقت لمدة سنتين وتحسين التمييز المتكامل. وقد تم تحديد النموذج الأفضل مسبقاً بأنه النموذج الذي يتميز في آن واحد بقدرة تمييزية أعلى، ومعايرة جيدة، وخطأ تنبؤي أقل، ومنفعة صافية أكبر.
التحليل الإحصائي:
تم تقييم المتغيرات المستمرة في البداية لتحديد نمط التوزيع باستخدام اختبار Shapiro-Wilk؛ حيث عُرضت المتغيرات التي تطابق التوزيع الطبيعي في شكل متوسط ± انحراف معياري، بينما سُجلت المتغيرات ذات التوزيع الملتوي في شكل وسيط ومدى ربيعي؛ أما المتغيرات الفئوية فقد عُرضت في شكل عدد الحالات والنسبة المئوية. وأُجريت مقارنات الخصائص الأساسية بين مجموعة الاشتقاق ومجموعة التحقق باستخدام اختبار t للعينات المستقلة، أو اختبار Mann-Whitney U، أو اختبار χ2، أو اختبار Fisher's exact، على التوالي. واستُخدمت المقارنات الأساسية فقط لوصف خصائص المجموعة ولم تُستخدم كأساس لاختيار المتغيرات. كانت جميع الاختبارات الإحصائية ثنائية الطرف، واعتُبرت القيمة P < 0.05 ذات دلالة إحصائية. أُجريت التحليلات الإحصائية باستخدام برنامج R، وبشكل أساسي باستخدام حزم survival وglmnet وmice وrms وtimeROC وrmda؛ بينما أُجريت المعالجة المسبقة للصور وتحليل التعلم العميق في بيئة Python وPyTorch. ولتقييم متانة النتائج، أُجري تحليل للحالات الكاملة إضافياً كتحليل حساسية.
النتائج
عملية بناء المجموعة الدراسية الاسترجاعية والخصائص الأساسية للمجموعات
خلال فترة الدراسة، تم استرجاع سجلات الأشعة السينية الجانبية للفقرات الصدرية والقطنية، وأُدرج 6,14 مريضاً للفحص بعد إزالة السجلات المكررة. وبعد الاستبعاد التدريجي للمرضى الذين تبلغ أعمارهم < 50 عامًا، وأولئك الذين يعانون من كسور موجودة مسبقًا عند خط الأساس، وأولئك الذين لم تكن فترة المتابعة لديهم كافية، وفي النهاية شملت الدراسة ما مجموعه 2,173 مريضًا، منهم 1,49 في مجموعة الاشتقاق و724 في مجموعة التحقق الداخلي (الشكل 1). كانت توزيعات الخصائص الأساسية لمجموعة الاشتقاق ومجموعة التحقق الداخلي متوازنة بشكل عام، ولم تكن هناك فروق ذات دلالة إحصائية في العمر، أو الجنس، أو مؤشر كتلة الجسم، أو عوامل الخطر السريرية الرئيسية (جميع قيم P > 0.05). وكان وسيط وقت المتابعة في المجموعتين 23.4 شهراً و23.1 شهراً على التوالي؛ وحدثت 131 و63 حالة من كسور الفقرات العارضة على التوالي؛ وبلغ معدل الإصابة التراكمي لمدة عامين 9.21% و8.91% على التوالي، دون وجود فرق ذو دلالة إحصائية (P = 0.812) (الجدول 1).
اختيار عوامل الخطر السريرية، وفحص سمات التصوير، وبناء نموذج التنبؤ بالمخاطر
بعد عملية الاختيار باستخدام LASSO-Cox، وصلت المتغيرات التالية إلى حد تكرار الاشتمال المحدد مسبقاً: العمر، والجنس الأنثوي، ومؤشر كتلة الجسم، والتاريخ السابق لكسور الهشاشة، وداء السكري من النوع 2، والاستخدام المزمن للجلوكوكورتيكويدات عن طريق الفم؛ وبعد الفحص التدريجي لـ 2048 سمة من سمات التعلم العميق، تم الاحتفاظ بـ 5 سمات ذات معاملات غير صفرية عند λ1se لبناء درجة التعلم العميق DL score (الشكل 2A–C). وبناءً على المتغيرات السريرية المختارة ودرجة DL، تم إنشاء النموذج السريري، ونموذج التعلم العميق، والنموذج المدمج. أظهر تحليل انحدار Cox متعدد المتغيرات أن المتغيرات السريرية المذكورة أعلاه كانت جميعها مرتبطة بخطر حدوث كسر فقاري خلال عامين (جميع قيم P < 0.05)، وبعد إضافة درجة DL إلى النموذج السريري، ظلت متنبئاً مستقلاً في النموذج المدمج (HR = 1.64, 95% CI 1.34–2.01, P < 0.01) (الجدول 2). وبناءً على ذلك، تم رسم مخطط ترشيحي (nomogram) للنموذج المدمج للتقدير الفردي لخطر حدوث كسر فقاري خلال عامين؛ حيث تشير الدرجة الإجمالية الأعلى إلى ارتفاع الخطر المتوقع (الشكل 2D).
التحقق الداخلي وتقييم أداء النموذج
بعد تصحيح التفاؤل بطريقة bootstrap في مجموعة الاشتقاق، ظل النموذج المدمج محتفظًا بأفضل أداء تنبئي. وأظهر التحقق الداخلي أن مؤشر C-index و AUC₂y للنموذج المدمج كانا 0.759 و 0.774 على التوالي، وكلاهما أعلى من قيم النموذج السريري؛ كما كان مقياس Brier₂y الخاص به هو الأدنى (0.07)، وكان تقاطع المعايرة قريبًا من 0، وميل المعايرة قريبًا من 1، مما يشير إلى أن هذا النموذج يتمتع بقدرة تمييز ومعايرة جيدة (الجدول 3). وفي مجموعة الاشتقاق، كان كل من منحنى المعايرة الظاهري ومنحنى التصحيح المنحاز بطريقة bootstrap قريبين من الخط المثالي. أما في مجموعة التحقق الداخلي، فقد كان خطر الإصابة المتوقع لمدة سنتين متسقًا بشكل عام مع خطر Kaplan-Meier الملحوظ، وكانت نقاط معايرة العشيرات موزعة بالقرب من الخط المثالي، مما يشير إلى أن النموذج المدمج يتمتع بمعايرة جيدة لمخاطر السنتين (الشكل 3A، B).
مقارنة النماذج وتقييم قيمة التطبيق السريري
مقارنةً بالنموذج السريري، حقق النموذج المدمج تحسناً ملحوظاً في إعادة التصنيف الصافي وتحسناً في التمييز في كل من مجموعة الاشتقاق ومجموعة التحقق الداخلية، حيث بلغت قيم NRI₂y 각각 0.316 و 0.241، وقيم IDI₂y 각각 0.047 و 0.03 (جميع القيم P < 0.01) (الجدول 4). وفي مجموعة الاشتقاق ومجموعة التحقق الداخلية، حقق النموذج المدمج بشكل عام أعلى فائدة صافية ضمن نطاق احتمالية العتبة المحددة مسبقاً من 0.05 إلى 0.30، وكان منحنى القرار الخاص به أعلى في الغالب من خياري "علاج الجميع" و"عدم علاج أي شخص"، مما يشير إلى أنه يتمتع بقيمة تطبيق سريرية أفضل (الشكل 4A, B).
نتائج تحليل الحساسية
أظهر تحليل الحساسية للحالات الكاملة أن استنتاجات التحليل الأولي ظلت مستقرة بشكل أساسي. ففي كل من مجموعة الاشتقاق ومجموعة التحقق الداخلي، كان مؤشر C-index و AUC₂y للنموذج المدمج أعلى منهما في النموذج السريري، بينما كان Brier₂y أقل؛ وكان تقاطع المعايرة وميل المعايرة في مجموعة التحقق الداخلي 0.019 و 0.964 على التوالي، مما يشير إلى أن النموذج تمتع بمتانة جيدة (الجدول 5). وخلال فترة المتابعة، تم تسجيل 27 حالة وفاة في مجموعة الاشتقاق و 13 حالة وفاة في مجموعة التحقق الداخلي. وفي تحليل الحساسية للمخاطر المتنافسة وفق طريقة Fine–Gray التي اعتبرت الوفاة حدثاً متنافساً، ظل مجموع DL مرتبطاً بشكل مستقل بحدوث كسر فقاري في النموذج المدمج (نسبة المخاطر للتوزيع الفرعي subdistribution HR = 1.58، 95% CI 1.28–1.95، P < 0.01)، وظلت الاستنتاجات العامة دون تغيير.
باختصار، أظهر النموذج المدمج الذي يربط بين درجة التعلم العميق المستمدة من الصور الشعاعية الجانبية الأساسية للفقرات الصدرية والقطنية وعوامل خطر سريرية مختارة، أفضل أداء إجمالي للتنبؤ بحدوث كسور فقارية خلال عامين. وبمقارنته بالنموذج السريري، أظهر هذا النموذج قدرة تمييزية أعلى، ومعايرة أفضل، وخطأ تنبؤي أقل، وتحسناً في إعادة التصنيف، وفائدة صافية أكبر في كل من مجموعتي الاشتقاق والتحقق الداخلي. كما أن القيمة التنبؤية المستقلة لدرجة التعلم العميق واتساق النتائج في تحليلات الحساسية للحالات المكتملة والمخاطر المتنافسة دعمت بشكل أكبر قوة النتائج الرئيسية.
توفير البيانات:
تم رفع البيانات الخام كـ الملف التكميلي 1.
الشكل 1مخطط تدفقي لعملية فحص مجتمع الدراسة. بالنسبة للمريض نفسه، عندما استوفت فحوصات متعددة معايير الأهلية، تم الاحتفاظ بالفحص الأبكر فقط كفحص أساسي. وقد طُبق كل سبب من أسباب الاستبعاد بالتسلسل وفقاً للترتيب المحدد مسبقاً، وتم احتساب كل مريض مرة واحدة فقط عند الاستبعاد. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
شكل 2اختيار عوامل الخطر السريرية باستخدام نموذج LASSO-Cox، وسمات التعلم العميق، ومخطط ترجيحي (nomogram) للنموذج المدمج. (A) تكرار إدراج المتغيرات السريرية المرشحة في 10 مجموعات بيانات مستكملة، حيث يشير الخط المتقطع إلى عتبة 70%. (B) مسارات معاملات LASSO-Cox لميزات التعلم العميق. (كربون) منحنى انحراف الأرجحية الجزئية من التحقق المتقاطع ذي الـ 10 طيات، حيث تشير الخطوط الرأسية المتقطعة إلى λmin و λ1se على التوالي. (دمخطط بياني (Nomogram) لخطر الإصابة خلال عامين في النموذج المشترك، حيث يقابل كل مؤشر تنبؤ عدد معين من النقاط، وتُجمع هذه النقاط للحصول على الدرجة الكلية، والتي تُحول لاحقاً إلى خطر فردي للإصابة بكسور الفقرات خلال عامين. درجة DL تعني درجة التعلم العميق. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 3منحنيات معايرة مخاطر السنتين للنموذج المشترك في مجموعة الاشتقاق ومجموعة التحقق الداخلي. (A(مجموعة الاشتقاق.)B) مجموعة التحقق الداخلي. تم إنشاء نقاط المعايرة وفقاً للعشيرات الخاصة بالمخاطر المتوقعة، وقُدرت المخاطر الملحوظة باستخدام طريقة Kaplan-Meier. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 4تحليل منحنى القرار للنماذج الثلاثة في مجموعة الاشتقاق ومجموعة التحقق الداخلي. (A(مجموعة الاشتقاق)B(مجموعة التحقق الداخلي. يمثل المحور الأفقي احتمالية العتبة، ويمثل المحور الرأسي الفائدة الصافية. يشير "علاج الجميع" (Treat-all) إلى التدخل لجميع الحالات، ويشير "عدم علاج أحد" (Treat-none) إلى عدم التدخل لأي حالة.) يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
| اسم المتغير | القيم المفقودة، n (%) | مجموعة الاشتقاق (العدد = 149) | مجموعة التحقق الداخلي (العدد = 724) | P |
| الخصائص الأساسية | ||||
| حجم العينة، n | — | 1449 | 724 | — |
| العمر، بالسنوات | 0 (0.00) | 68.41 ± 8.37 | 68.96 ± 8.56 | 0.155 |
| أنثى، ن (%) | 0 (0.00) | 962 (66.39%) | 463 (63.95%) | 0.259 |
| الطول، سم | 16 (0.74) | 158.42 ± 7.91 | 157.98 ± 8.16 | 0.232 |
| الوزن، كجم | 21 (0.97) | 59.76 ± 9.88 | 59.21 ± 10.14 | 0.23 |
| مؤشر كتلة الجسم، كجم/م² | 28 (1.29) | 23.77 ± 3.28 | 23.69 ± 3.34 | 0.597 |
| التاريخ المرضي السابق لكسور الهشاشة، العدد (%) | 0 (0.00) | 171 (11.80%) | 96 (13.26%) | 0.329 |
| داء السكري من النوع الثاني، العدد (%) | 0 (0.00) | 303 (20.91%) | 158 (21.82%) | 0.624 |
| التهاب المفاصل الروماتويدي، العدد (%) | 0 (0.00) | 49 (3.38%) | 29 (4.01%) | 0.461 |
| استخدام الجلوكوكورتيكويدات الفموية المزمن، العدد (%) | 0 (0.00) | 65 (4.49%) | 38 (5.25%) | 0.43 |
| العلاج الأساسي لمكافحة هشاشة العظام، العدد (%) | 0 (0.00) | 131 (9.04%) | 75 (10.36%) | 0.323 |
| وصف المتابعة والنتائج | ||||
| مدة المتابعة، بالأشهر | 0 (0.00) | 23.4 [18.7, 24.0] | 23.1 [18.4, 24.0] | 0.341 |
| عدد حالات كسور الفقرات العارضة، n | 0 (0.00) | 131 | 63 | — |
| الوقوع التراكمي للكسور الفقارية العارضة خلال عامين، % (فاصل ثقة 95%) | — | 9.21 (7.82, 10.60) | 8.91 (6.79, 11.03) | 0.812 |
الجدول 1: الخصائص الأساسية والنتائج للمجموعتين. استند عمود القيم المفقودة إلى البيانات المرصودة الأصلية، واستُخدم التعويض المتعدد للنمذجة فقط. عُرضت المتغيرات المستمرة في صورة x̄ ± s أو M[IQR] وفقًا للتوزيع، وأُجريت المقارنات بين المجموعات باستخدام اختبار t للعينات المستقلة أو اختبار Mann-Whitney U؛ وعُرضت المتغيرات الفئوية في صورة n (%)، وأُجريت المقارنات بين المجموعات باستخدام اختبار χ2. قُدِّر معدل الإصابة التراكمي بكسور الفقرات خلال عامين باستخدام طريقة Kaplan-Meier وأُبلغ عنه مع فاصل ثقة 95% CI؛ وأُجريت المقارنة بين المجموعات باستخدام اختبار log-rank. استُخدمت قيم P فقط لوصف الاختلافات في تكوين المجموعتين ولم تُستخدم لاختيار المتنبئات.
| المتنبئ | β | HR | 95% CI | P |
| النموذج السريري | ||||
| العمر (لكل زيادة بمقدار 1 SD) | 0.28 | 1.3 | 1.10–1.60 | 0.003 |
| أنثى (نعم مقابل لا) | 0.26 | 1.29 | 1.02–1.63 | 0.031 |
| مؤشر كتلة الجسم (لكل زيادة بمقدار 1 SD) | −0.19 | 0.83 | 0.70–0.98 | 0.03 |
| تاريخ سابق لكسور الهشاشة (نعم مقابل لا) | 0.6 | 1.93 | 1.38–2.71 | <0.01 |
| داء السكري من النوع 2 (نعم مقابل لا) | 0.31 | 1.36 | 1.06–1.75 | 0.016 |
| استخدام مزمن للجلوكوكورتيكويد عن طريق الفم (نعم مقابل لا) | 0.49 | 1.63 | 1.14–2.3 | 0.08 |
| نموذج التعلم العميق | ||||
| درجة DL (لكل زيادة بمقدار 1 SD) | 0.58 | 1.78 | 1.46–2.17 | <0.01 |
| النموذج المدمج | ||||
| العمر (لكل زيادة بمقدار 1 SD) | 0.2 | 1.25 | 1.07–1.46 | 0.04 |
| أنثى (نعم مقابل لا) | 0.23 | 1.26 | 1.01–1.56 | 0.04 |
| مؤشر كتلة الجسم (لكل زيادة بمقدار 1 SD) | −0.18 | 0.84 | 0.72–0.98 | 0.031 |
| تاريخ سابق لكسور الهشاشة (نعم مقابل لا) | 0.59 | 1.8 | 1.27–2.56 | 0.01 |
| داء السكري من النوع 2 (نعم مقابل لا) | 0.27 | 1.31 | 1.01–1.70 | 0.04 |
| استخدام مزمن للجلوكوكورتيكويد عن طريق الفم (نعم مقابل لا) | 0.42 | 1.53 | 1.05–2.21 | 0.026 |
| درجة DL (لكل زيادة بمقدار 1 SD) | 0.5 | 1.64 | 1.34–2.01 | <0.001 |
الجدول 2: المتنبئات ونتائج انحدار Cox للنماذج الثلاثة. تم تجميع تقديرات المعاملات للنموذج السريري والنموذج المشترك من 10 مجموعات بيانات منقحة وفقاً لقواعد Rubin، وتم الحصول على قيم P باستخدام اختبار Wald. أُدخلت المتغيرات المستمرة ودرجة DL في النماذج كقيم معيارية، وراسل HR الزيادة لكل 1 SD؛ كما تم تحديد الفئة المرجعية للمتغيرات الثنائية بشكل موحد على أنها "لا" أو "لا يوجد". كانت درجة DL درجة مركبة تم الحصول عليها عن طريق ترجيح ميزات التعلم العميق. كانت معدلات البقاء الأساسية لمدة عامين S₀ (2 years) للنماذج الثلاثة 0.9387 و0.9194 و0.9413 على التوالي. تم حساب مخاطر العامين للنموذج المشترك كما يلي: 2 - yearrisk = 1 - [S0(2 years)]exp(LP).
| نموذج | القيمة الظاهرية لـ C (فاصل ثقة 95%) | C المصح | التحقق من الصحة ج (فاصل ثقة 95%) | ΔC (فترة ثقة 95%) | المساحة تحت المنحنى الظاهرية AUC₂y (فاصل ثقة 95%) | المساحة تحت المنحنى المصححة لـ AUC₂y | التحقق من AUC₂y (فاصل ثقة 95%) | ΔAUC₂y (95% CI) | درجة برير الظاهرية Brier₂y | درجة برير المصححة Brier₂y | التحقق من صحة Brier₂y | تقاطع التحقق | منحدر التحقق من الصلاحية |
| نموذج سريري | 0.702 (0.657–0.747) | 0.691 | 0.687 (0.619–0.754) | مرجع | 0.711 (0.665–0.757) | 0.7 | 0.694 (0.626–0.762) | مرجع | 0.081 | 0.082 | 0.082 | 0.073 | 0.901 |
| نموذج التعلم العميق | 0.734 (0.691–0.777) | 0.722 | 0.713 (0.648–0.778) | 0.026 (−0.018–0.070) | 0.743 (0.698–0.789) | 0.731 | 0.722 (0.658–0.786) | 0.028 (−0.016–0.072) | 0.079 | 0.08 | 0.08 | 0.058 | 0.843 |
| النموذج المدمج | 0.787 (0.748–0.826) | 0.773 | 0.759 (0.699–0.819) | 0.072 (0.030–0.114) | 0.799 (0.758–0.841) | 0.785 | 0.774 (0.715–0.833) | 0.080 (0.038–0.122) | 0.075 | 0.076 | 0.077 | 0.012 | 0.972 |
الجدول 3: الأداء التنبؤي، والأداء المصح للتفاؤل، ونتائج التحقق الداخلي للنماذج الثلاثة. النتائج المصححة هي تقديرات نقطية بعد 1,0 تصحيح تفاؤل بطريقة البوتستراب (bootstrap). تمثل ΔC و ΔAUC₂y الفروق بالنسبة للنموذج السريري. تشير قيم C و AUC₂y الأكبر وقيم Brier₂y الأصغر إلى أداء أفضل للنموذج؛ كما يشير تقاطع المعايرة القريب من 0 ومنحدر المعايرة القريب من 1 إلى معايرة أفضل. C: مؤشر توافق هاريل (Harrell's concordance index)؛ AUC₂y: المساحة تحت منحنى خصائص التشغيل للمستقبل المعتمدة على الوقت لمدة سنتين؛ Brier₂y: درجة برير لمدة سنتين.
| مجموعة أترابية | NRI₂y | فاصل ثقة 95% | P | IDI₂y | فاصل ثقة 95% | P |
| مجموعة الاشتقاق | 0.316 | 0.174–0.463 | <0.001 | 0.047 | 0.024–0.073 | <0.001 |
| مجموعة التحقق الداخلية | 0.241 | 0.058–0.389 | 0.009 | 0.033 | 0.009–0.058 | 0.007 |
الجدول 4: مؤشرا NRI و IDI لمدة سنتين للنموذج المشترك مقارنة بالنموذج السريري. تشير القيم الموجبة لكل من NRI₂y و IDI₂y إلى أن النموذج المشترك يمتلك قيمة تنبؤية تراكمية أفضل من النموذج السريري. تم حساب كل من NRI₂y و IDI₂y بناءً على الطريقة المعتمدة على الوقت لمدة سنتين، وتم التعامل مع البيانات الخاضعة للرقابة باستخدام طريقة وزن احتمال الرقابة العكسي؛ وتم الحصول على 95% CI من خلال 1,0 عينة إعادة سحب (bootstrap)، وكانت قيم P ثنائية الجانب. NRI₂y: تحسين إعادة التصنيف الصافي لمدة سنتين؛ IDI₂y: تحسين التمييز المتكامل لمدة سنتين.
| نموذج | اشتقاق n | أحداث الاشتقاق | الاشتقاق ج (فاصل ثقة 95%) | اشتقاق AUC₂y (فاصل ثقة 95%) | اشتقاق Brier₂y | التحقق من الصلاحية n | أحداث التحقق من الصلاحية | التحقق (فاصل ثقة 95%) | التحقق من المساحة تحت المنحنى AUC₂y (فاصل ثقة 95%) | التحقق من صحة Brier₂y | تقاطع التحقق | منحدر التحقق |
| نموذج سريري | 1431 | 129 | 0.699 (0.654–0.744) | 0.707 (0.661–0.752) | 0.082 | 714 | 62 | 0.681 (0.613–0.749) | 0.690 (0.622–0.759) | 0.083 | 0.084 | 0.892 |
| النموذج المدمج | 1431 | 129 | 0.783 (0.744–0.822) | 0.795 (0.753–0.837) | 0.076 | 714 | 62 | 0.753 (0.692–0.814) | 0.769 (0.709–0.829) | 0.078 | 0.019 | 0.964 |
الجدول 5: تحليل الحساسية للحالات المكتملة. عُرّفت الحالات المكتملة على أنها المرضى الذين لديهم قيم ملحوظة أصلية لجميع المتغيرات المطلوبة في النموذج المقابل. استخدم تحليل الحساسية تحليل الحالات المكتملة دون إجراء تعويض متعدد. تم الحصول على فاصل الثقة 95% CI عن طريق 1,0 إعادة عينة bootstrap. C، مؤشر توافق Harrell؛ AUC₂y، المساحة تحت منحنى خصائص تشغيل المستقبل المعتمدة على الوقت لسنتين؛ Brier₂y، درجة Brier لسنتين.
الملف التكميلي 1: البيانات الخام يرجى النقر هنا لتنزيل هذا الملف.
المناقشة
لا يزال النموذج المدمج يحافظ على الأداء الأمثل بعد تصحيح التفاؤل والتحقق الداخلي الزمني، مما يشير إلى أن ميزات التعلم العميق المستخرجة من الأشعة السينية الجانبية للفقرات الصدرية القطنية لم تكن مجرد تكرار للمعلومات السريرية، بل يمكنها توفير معلومات إضافية مستقلة وقابلة للتحقق لتقييم مخاطر حدوث كسر فقاري خلال عامين. وتكمن أهمية هذا النموذج في دمج خلفية الهشاشة الجهازية وهشاشة البنية الشوكية الموضعية في إطار تنبؤ واحد. حيث يعكس العمر، والجنس الأنثوي، وانخفاض مؤشر كتلة الجسم، والكسور الهشاشة السابقة، وداء السكري، والتعرض للجلوكوكورتيكويد فقدان الكتلة العظمية، وتدهور جودة العظام، وعدم كفاية الدعم العضلي، والقابلية لتكرار الكسر، مما يحدد المخاطر الأساسية العامة للإصابة بالكسور لدى المريض15؛ بينما من المرجح أن تلتقط ميزات التعلم العميق مورفولوجيا الصفائح النهائية للفقرات، والانضغاط الإسفيني الطفيف، ونسيج العظام المتناثر، وتغيرات الحدود القشرية، والتوزيع الميكانيكي غير الطبيعي في المنطقة الصدرية القطنية، وهي أمور يصعب قياسها كمياً بشكل مستقر من خلال قراءة الصور الروتينية، وبذلك تكمل معلومات الهشاشة على مستوى التصوير الموضعي16. يتوافق هذان النوعان من المعلومات مع مستويات مرضية مختلفة، وبعد الدمج، تحسنت جميع مؤشرات التمييز، والمعايرة، وخطأ التنبؤ، والقدرة على إعادة التصنيف، والمنفعة السريرية الصافية، وهذا الاتساق يدعم أن تحسن النموذج لم يكن عرضياً. إن نماذج المخاطر التقليدية التي تعتمد فقط على المتغيرات السريرية مريحة في التطبيق، ولكن من الصعب عليها تحديد التغاير الموضعي للفقرات17. كما أن استراتيجيات التقييم التي تمثلها كثافة المعادن في العظام أو FRAX موجهة أكثر نحو الميل للكسور الجهازية، وقد لا تعكس بشكل كامل الهشاشة البنيوية الفورية للمنطقة الصدرية القطنية18. وقد ركزت دراسات الذكاء الاصطناعي السابقة في الغالب على اكتشاف الكسور الفقارية الموجودة أو تصنيف هشاشة العظام، ولا تزال بعيدة خطوة واحدة عن الإنذار السريري المبكر19. والنتائج الحالية أقرب إلى سيناريو اتخاذ القرار الحقيقي، مما يشير إلى أن الأنماط الظاهرية الخفية الموجودة في الأشعة السينية الروتينية، بعد استخراجها بواسطة التعلم العميق، يمكن أن تعزز بشكل كبير من تصنيف المخاطر السريرية.
في تقييم مخاطر الكسور الفقرية، يمتلك كل من التصوير المقطعي المحوسب (CT)، والتصوير بالرنين المغناطيسي (MRI)، والتقييم القائم على كثافة المعادن العظمية، وغيرها من طرق تحليل التصوير، سيناريوهاتها التطبيقية الخاصة. يصور التصوير المقطعي المحوسب بشكل أكثر مباشرة شكل الفقرات، وتغيرات الصفيحة النهائية، وتدمير العظم القشري، بينما يتميز التصوير بالرنين المغناطيسي بمزايا أكبر في تقييم وذمة نخاع العظم، وإصابة الأنسجة الرخوة، والكسور الحادة، إلا أن كليهما يقل عن الصور الشعاعية الجانبية للفقرات الصدرية القطنية من حيث تكلفة الفحص، وسهولة الوصول، وتوافر المتابعة الروتينية، مما يجعل من الصعب استخدامهما كأدوات مبكرة لتصنيف المخاطر على نطاق واسع وبعتبة منخفضة. ويعد قياس كثافة المعادن العظمية وأداة FRAX أكثر ملاءمة لعكس خلفية الهشاشة العظمية الجهازية ولهما قيمة مرجعية مهمة للميل العام نحو الكسور، ولكنهما محدودان نسبياً في عكس الهشاشة الهيكلية الموضعية للمنطقة الصدرية القطنية، والوتدية الخفيفة، وشذوذ الصفيحة النهائية الطفيف، والاختلال الميكانيكي الموضعي. ويمكن لطرق الراديوميكس الحالية استخراج سمات كمية محددة مسبقاً من الصور الشعاعية أو التصوير المقطعي المحوسب أو التصوير بالرنين المغناطيسي، ولديها إمكانات في تقييم المخاطر، ولكنها تعتمد عادةً على مساحات سمات محددة يدوياً وإجراءات تقسيم صارمة نسبياً. ومقارنة بهذه الطرق، اختارت الدراسة الحالية بناء نموذج يعتمد على الصور الشعاعية الجانبية الروتينية للفقرات الصدرية القطنية، مع التركيز ليس على استبدال التصوير المقطعي المحوسب أو التصوير بالرنين المغناطيسي أو تقييم كثافة المعادن العظمية، بل على استكمال معلومات الهشاشة الموضعية الخفية التي يصعب التقاطها من خلال التقييم السريري التقليدي، وذلك استناداً إلى وسيلة التصوير الأكثر توفراً في الممارسة السريرية اليومية، مما يوفر مساراً لتصنيف المخاطر أكثر قابلية للتعميم للتعرف المبكر على الكسور الفقرية الحادثة.
كانت للمتغيرات السريرية التي دخلت في النموذج النهائي دلالات فيزيولوجية مرضية واضحة، مما يشير إلى أن إطار التنبؤ هذا لم يكن نتيجة اختيار عشوائي. فزيادة العمر، والجنس الأنثوي، وانخفاض مؤشر كتلة الجسم ترتبط بفقدان الكتلة العظمية، وضعف الدعم العضلي، وزيادة القابلية للسقوط، مما يشكل الخلفية الأساسية لهشاشة الفقرات. ويشير التاريخ السابق لكسور الهشاشة إلى وجود هشاشة عظمية جهازية مستمرة لدى الفرد، ويعد مؤشراً هاماً لتكرار الكسر. وحتى عندما لا تكون الكثافة المعدنية للعظام منخفضة بشكل ملحوظ لدى المرضى المصابين بداء السكري من النوع 2، فإن ترسب نواتج الغلوزة النهائية المتقدمة، واضطراب عملية تجدد العظام، والخلل في البنية المجهرية قد يضعفون القوة الميكانيكية للفقرات20. كما أن استخدام الجلوكوكورتيكويدات الفموية على المدى الطويل يثبط تكوين العظام، ويعزز ارتشاف العظم، ويضعف سلامة التربيق، ويؤدي إلى زيادة خطر الكسر21. وبعد الفرز بناءً على الاستقرار والارتباط والانحدار المعاقب، تم الاحتفاظ بعدد قليل فقط من سمات التعلم العميق لبناء درجة DL، مما يشير إلى أن النموذج التقط معلومات تصويرية مستقرة ومرتبطة بالنتيجة. ويصعب ربط هذه السمات واحدة تلو الأخرى بمؤشر يدوي واحد، بل من المرجح أنها تعكس بشكل شامل التغيرات الطفيفة التي تسبق الانهيار في الصفائح النهائية، والاختلال الطفيف في مورفولوجيا الفقرات، وبنية العظام المتفرقة، وتغيرات المحيط القشري، وتوزيع الإجهاد الموضعي غير الطبيعي في المنطقة الصدرية القطنية. وبناءً على ذلك، ظلت هذه السمات تحتفظ بقيمة تنبؤية مستقلة بعد التعديل وفقاً للمتغيرات السريرية22. وقد أكدت الأدلة الوبائية الموجودة أن العوامل السريرية المذكورة أعلاه ترتبط ارتباطاً وثيقاً بكسور الهشاشة، وتتوافق نتائج الدراسة الحالية بشكل أساسي مع ذلك. ومقارنة بالقياسات اليدوية التقليدية أو سمات الراديوميكس المحددة مسبقاً، فإن التعلم العميق لا يتطلب تحديد السمات مسبقاً، وهو أكثر ملاءمة لتحديد أنماط الهشاشة الخفية والمعقدة في الأشعة السينية X-ray23. ولم يدخل التهاب المفاصل الروماتويدي وعلاج هشاشة العظام الأساسي في النموذج النهائي، وهو ما قد يكون مرتبطاً بانخفاض معدل انتشار الأول وانحياز دواعي العلاج في الثاني24. ومن هنا يمكن ملاحظة أن هذا النموذج قد أُسس على أساس التكامل التكاملي بين طيف المخاطر السريرية وأنماط الهشاشة الخفية في الأشعة السينية X-ray، وليس مجرد تجميع بسيط للمتغيرات.
بعد تصحيح التفاؤل بطريقة البوتستراب (bootstrap)، والتحقق الداخلي الزمني، وتحليل الحساسية للحالات المكتملة، ظلت ميزة النموذج المدمج مستقرة، مما يشير إلى أن قدرته التنبؤية لم تنتج عن ملاءمة العينة الداخلية بل تميزت بصلاحية داخلية جيدة. ويُعد التحقق من خلال التقسيم الزمني أقرب إلى سيناريو التطبيق الواقعي من التقسيم العشوائي، ويمكنه اختبار أداء النموذج في المرضى اللاحقين بشكل أكثر صرامة؛ كما يساعد تصحيح التفاؤل في تحديد مخاطر الإفراط في الملاءمة (overfitting)، وبالتالي فإن استمرار التفوق بعد التصحيح يدعم بقوة متانة النتائج. كان منحنى المعايرة قريبًا من الخط المثالي، وكان تقاطع التحقق قريبًا من الصفر، والميل قريبًا من الواحد، مما يشير إلى أن مخرجات النموذج لم تكن مجرد درجة ترتيب، بل كانت احتمالية خطر مطلقة تتوافق نسبيًا مع مستوى حدوث الحدث الفعلي. وهذا له أهمية سريرية أكبر في تحديد كثافة المتابعة، والتقييم العظمي الإضافي، وتوقيت التدخل الوقائي. وتُشير الفائدة الصافية الأعلى ضمن نطاق العتبة المحددة مسبقًا إلى أنه بعد إضافة ميزات التعلم العميق من الأشعة السينية، لم ينعكس تحسن النموذج في المؤشرات الإحصائية فحسب، بل أيضًا في الفائدة المحتملة على مستوى اتخاذ القرار25. وقد حول المخطط البياني (nomogram) النموذج المدمج إلى أداة فردية قابلة للتفسير، مما يسهل إكمال تصنيف المخاطر بناءً على فحص الأشعة السينية الجانبي الروتيني للفقرات الصدرية والقطنية26. ركزت العديد من دراسات التنبؤ بالذكاء الاصطناعي السابقة بشكل أساسي على التمييز، ولم تولي اهتمامًا كافيًا للمعايرة، والتحكم في الإفراط في الملاءمة، والفائدة السريرية الصافية، كما افتقرت إلى التحقق الزمني أو تحليل الحساسية، مما حد من إمكانية نقل النتائج إلى سيناريوهات العالم الحقيقي27,28. إن سلسلة الأدلة الكاملة المتشكلة حول التمييز، والمعايرة، وخطأ التنبؤ، ومنحنى القرار، وتحليل الحساسية، يمكن أن تدعم بشكل أفضل الترجمة السريرية لهذا النموذج المدمج كأداة لتصنيف مخاطر حدوث كسر الفقرات.
كانت هذه الدراسة دراسة أتراب استرجاعية أحادية المركز، واشتُقت جميع الحالات من مرضى المستشفى الذين خضعوا لفحص الأشعة السينية الجانبية للفقرات الصدرية والقطنية وأكملوا متابعة التصوير. وقد تأثر تكوين العينة بنمط الإحالة، ودواعي الفحص، والالتزام بالمتابعة، وكان هناك انحياز في الاختيار؛ لذا وجب توخي الحذر عند تعميم النتائج على مراكز أخرى، أو مجموعات المسح المجتمعي، أو ظروف معدات مختلفة. خلال فترة الدراسة، تم الحصول على الصور الشعاعية الأساسية باستخدام نظام التصوير الشعاعي الرقمي بالمستشفى من مورد واحد بدلاً من أنظمة/موردين متعددين، مما قلل من التباين التقني بين الموردين ولكن قد يحد أيضاً من إمكانية التعميم على منصات تصوير أخرى. وبوجه خاص، ولأن التأكد من النتائج تطلب تصويراً للمتابعة، فقد استُبعد المرضى الذين لم يخضعوا لتصوير متابعة خلال 24 شهرًا، وهو ما قد يكون قد أبقى بشكل تفضيلي على المرضى الذين يعانون من أعراض أكثر، أو استهلاك أكبر للرعاية الصحية، أو مخاطر أساسية أعلى، وقد يكون قد زاد من معدل الأحداث الملحوظ. بالإضافة إلى ذلك، ونظراً لأن تصوير المتابعة تم الحصول عليه في الممارسة السريرية الروتينية بدلاً من بروتوكول ثابت، فإن الرقابة (censoring) قد لا تكون غير إخبارية تماماً، وقد تظل تقديرات المخاطر القائمة على نموذج Cox متأثرة بعملية تصوير المتابعة. وعلى الرغم من إجراء التحقق الداخلي الزمني، وتصحيح التفاؤل بطريقة bootstrap، وتحليل حساسية الحالات الكاملة، إلا أنه لم يتم إجراء تحقق خارجي مستقل بعد، ولا تزال استقرار النموذج وقابليته للتعميم عبر المراكز بحاجة إلى تأكيد. اعتمدت هذه الدراسة على الأشعة السينية الجانبية الروتينية، والتي تمتاز بسهولة الحصول عليها وانتشارها، ولكن مقارنة بالتصوير المقطعي المحوسب CT، أو التصوير بالرنين المغناطيسي MRI، أو اختبارات كثافة المعادن في العظام، يظل تمثيلها للبنية المجهرية للعظام، وحالة كتلة العظام، ومعلومات الأنسجة المجاورة محدوداً؛ ورغم أن سمات التعلم العميق يمكن أن تحسن أداء التنبؤ، إلا أن معانيها التصويرية والبيولوجية المحددة لا تزال غير بديهية بشكل كافٍ. بالإضافة إلى ذلك، لم يتم إجراء تحليل مخصص لعزو السمات أو تحليل البروز (saliency analysis)؛ لذا يجب اعتبار التفسيرات البيولوجية ذات الصلة مولدة للفرضيات وليست متحققاً منها بشكل مباشر. اشتُقت المتغيرات المرشحة بشكل أساسي من السجلات الطبية المهيكلة والبيانات السريرية الروتينية، ولم تشمل تاريخ السقوط، أو الوظيفة البدنية، أو الحالة التغذوية، أو مؤشرات مختبر استقلاب العظام، أو قياسات كثافة المعادن في العظام المعيارية؛ وبالتالي، قد يظل هناك تداخل متبقٍ (residual confounding). علاوة على ذلك، لم يتم تقييم النماذج القائمة على BMD أو FRAX في الدراسة الحالية؛ لذا تم إثبات القيمة المضافة لدرجة DL فقط بالنسبة للنموذج السريري المحدد مسبقاً. يجب أن تجري الدراسات المستقبلية تحققاً خارجياً في مراكز متعددة، باستخدام معدات مختلفة وفي إعدادات سريرية مختلفة، واستكشاف التكامل مع كثافة المعادن في العظام، والمؤشرات المختبرية، ووسائط التصوير الأخرى، وذلك لتحسين إمكانية التعميم، والقابلية للتفسير، وقيمة التطبيق العملي للنموذج.
الإفصاحات
يصرح المؤلفون بأنه لا توجد لديهم أي تضاربات في المصالح.
شكر وتقدير
يتوجه المؤلفون بالشكر إلى طاقم المستشفى الذي أجريت فيه الدراسة لدعمهم في استرجاع الصور واستخراج البيانات وإدارتها. كما يشكر المؤلفون جميع الأطباء السريريين وأخصائيي التصوير الإشعاعي المشاركين في رعاية المرضى والحصول على الصور. حظيت هذه الدراسة بدعم مالي من مشروع البحوث الطبية في منطقة Xuhui لعام 2024 (SHXH202405).
المواد
| الاسم | الشركة | رقم فهرسي | التعليقات |
|---|---|---|---|
| حزمة glmnet | CRAN | غير متاح | تُستخدم لتحليل انحدار LASSO-Cox. |
| ITK-SNAP | جامعة بنسلفانيا / مشروع ITK-SNAP | غير متاح | يُستخدم لتحديد مناطق الاهتمام (ROI) في الصور الأساسية. |
| حزمة mice | CRAN | غير متاح | تُستخدم للاسناد المتعدد (multiple imputation). |
| Python | مؤسسة برمجيات بايثون | الإصدار 3.10 | تُستخدم للمعالجة المسبقة للصور وتحليل التعلم العميق. |
| PyTorch | مؤسسة PyTorch / مؤسسة لينكس | الإصدار 2.1 | تُستخدم لتطوير نماذج التعلم العميق واستخراج الميزات. |
| إصدار R | مؤسسة R للحوسبة الإحصائية | الإصدار 4.3.2 | تُستخدم للتحليل الإحصائي. |
| حزمة rmda | CRAN | غير متاح | تُستخدم لتحليل منحنى القرار. |
| حزمة rms | CRAN | غير متاح | تُستخدم لتطوير النماذج وتحليل المعايرة. |
| حزمة survival | CRAN | غير متاح | تُستخدم لتحليل انحدار كوكس للمخاطر النسبية (Cox proportional hazards regression). |
| حزمة timeROC | CRAN | غير متاح | تُستخدم لتحليل المساحة تحت المنحنى (AUC) المعتمدة على الوقت. |
المراجع
- Daskalakis II, Bastian JD, Mavrogenis AF, Tosounidis TH. Osteoporotic vertebral fractures: an update. SICOT J. 2025;11:40.
- Na D et al. Underdiagnosis and underreporting of vertebral fractures on chest radiographs in men aged over 50 years or postmenopausal women with and without type 2 diabetes mellitus: a retrospective cohort study. BMC Med Imaging. 2022;22(1):81.
- Urrutia J, Besa P, Piza C. Incidental identification of vertebral compression fractures in patients over 60 years old using computed tomography scans showing the entire thoraco-lumbar spine. Arch Orthop Trauma Surg. 2019;139(11):1497-1503.
- Zerikly R, Demetriou EW. Use of Fracture Risk Assessment Tool in clinical practice and Fracture Risk Assessment Tool future directions. Women's Health (Lond). 2024;20:17455057241231387.
- Hong N et al. Deep learning-based identification of vertebral fracture and osteoporosis in lateral spine radiographs and DXA vertebral fracture assessment to predict incident fracture. J Bone Miner Res. 2025;40(5):628-638.
- Hong N et al. Deep-Learning-Based Detection of Vertebral Fracture and Osteoporosis Using Lateral Spine X-Ray Radiography. J Bone Miner Res. 2023;38(6):887-895.
- Johansson L et al. Grade 1 Vertebral Fractures Identified by Densitometric Lateral Spine Imaging Predict Incident Major Osteoporotic Fracture Independently of Clinical Risk Factors and Bone Mineral Density in Older Women. J Bone Miner Res. 2020;35(10):1942-1951.
- Li Y et al. Machine learning value in the diagnosis of vertebral fractures: A systematic review and meta-analysis. Eur J Radiol. 2024;181:111714.
- Kong SH et al. Development of a Spine X-Ray-Based Fracture Prediction Model Using a Deep Learning Algorithm. Endocrinol Metab (Seoul). 2022;37(4):674-683.
- Lunt M et al. Defining incident vertebral deformities in population studies: a comparison of morphometric criteria. Osteoporos Int. 2002;13(10):809-815.
- Da Mutten R et al. Whole Spine Segmentation Using Object Detection and Semantic Segmentation. Neurospine. 2024;21(1):57-67.
- Xiao W, Chen R. A study on ACCC surface defect classification method using ResNet18 with integrated SE attention mechanism. Appl Sci. 2026;16(4):1899.
- Liu F, Zhang DB, Cheng SH, Gu GS. A radiomics and deep learning nomogram developed and validated for predicting no-collapse survival in patients with osteonecrosis after multiple drilling. BMC Med Inform Decis Mak. 2025;25(1):26.
- Yokota T et al. Internal validation of an 11-yr prediction model for new vertebral fractures using the vertebral bone quality score: a prospective cohort study. JBMR Plus. 2025;9(11):ziaf155.
- Chen W, Mao M, Fang J, Xie Y, Rui Y. Fracture risk assessment in diabetes mellitus. Front Endocrinol (Lausanne). 2022;13:961761.
- Kong SH. Incorporating Artificial Intelligence into Fracture Risk Assessment: Using Clinical Imaging to Predict the Unpredictable. Endocrinol Metab (Seoul). 2025;40(4):499-507.
- Schini M et al. An overview of the use of the fracture risk assessment tool (FRAX) in osteoporosis. J Endocrinol Invest. 2024;47(3):501-511.
- LeBoff MS et al. The clinician's guide to prevention and treatment of osteoporosis. Osteoporos Int. 2022;33(10):2049-2102.
- Gu Y, Wang Y, Li M, Wang R. Current applications of deep learning in vertebral fracture diagnosis. Osteoporos Int. 2025;36(11):2071-2082.
- Cavati G et al. Role of Advanced Glycation End-Products and Oxidative Stress in Type-2-Diabetes-Induced Bone Fragility and Implications on Fracture Risk Stratification. Antioxidants (Basel). 2023;12(4):928.
- Hofbauer LC, Compston JE, Saag KG, Rauner M, Tsourdi E. Glucocorticoid-induced osteoporosis: novel concepts and clinical implications. Lancet Diabetes Endocrinol. 2025;13(11):964-979.
- Saravi B et al. Integrating radiomics with clinical data for enhanced prediction of vertebral fracture risk. Front Bioeng Biotechnol. 2024;12:1485364.
- Zhang J et al. Differentiation of acute and chronic vertebral compression fractures using conventional CT based on deep transfer learning features and hand-crafted radiomics features. BMC Musculoskelet Disord. 2023;24(1):165.
- McGrath LJ et al. Using negative control outcomes to assess the comparability of treatment groups among women with osteoporosis in the United States. Pharmacoepidemiol Drug Saf. 2020;29(8):854-863.
- Piovani D, Sokou R, Tsantes AG, Vitello AS, Bonovas S. Optimizing Clinical Decision Making with Decision Curve Analysis: Insights for Clinical Investigators. Healthcare (Basel). 2023;11(16):2244.
- Nguyen HT et al. A predictive nomogram for selective screening of asymptomatic vertebral fractures: The Vietnam Osteoporosis Study. Osteoporos Sarcopenia. 2025;11(1):9-14.
- Hu Y et al. Beyond Comparing Machine Learning and Logistic Regression in Clinical Prediction Modelling: Shifting from Model Debate to Data Quality. J Med Internet Res. 2025;27:e77721.
- Groot OQ et al. Availability and reporting quality of external validations of machine-learning prediction models with orthopedic surgical outcomes: a systematic review. Acta Orthop. 2021;92(4):385-393.