目的对比分析人工智能阅片与人工阅片在诊断骨质疏松性椎体压缩骨折中的效能。方法连续收集了2023年1月至2023年12月80例骨质疏松性椎体压缩骨折患者及20例无骨折但存在非特异性腰疼的患者的资料纳入了该项研究。根据患者的计算机断层扫...目的对比分析人工智能阅片与人工阅片在诊断骨质疏松性椎体压缩骨折中的效能。方法连续收集了2023年1月至2023年12月80例骨质疏松性椎体压缩骨折患者及20例无骨折但存在非特异性腰疼的患者的资料纳入了该项研究。根据患者的计算机断层扫描(computed tomography,CT)影像分别进行人工智能软件诊断和3名不同年资的脊柱外科临床医生(高级职称、中级职称、初级职称各1人)人工阅片诊断。比较不同检测方法的诊断效能。结果各组灵敏度、特异度、阳性预测值、阴性预测值、受试者工作特征(receiver operating characteristic,ROC)曲线下面积(area under the curve,AUC)、Kappa值分别为AI阅片:0.975、0.900、0.975、0.900、0.938、0.875;高级职称:0.950、0.900、0.974、0.818、0.925、0.819;中级职称:0.825、0.850、0.957、0.548、0.837、0.560;初级职称:0.750、0.750、0.923、0.429、0.751、0.390。结论人工智能的诊断水平与高年资医生诊断水平相当,明显高于中级及初级临床医生的诊断水平。展开更多
文摘目的:分析胸椎骨质疏松性椎体压缩骨折(osteoporotic vertebral compression fracture,OVCF)患者发生肋间痛的危险因素。方法:回顾性分析2020年12月~2022年6月于我院就诊的胸椎OVCF患者205例,其中男性40例,女性165例,年龄74.5±8.2岁。根据患者是否伴肋间痛症状,分为肋间痛组(A组)和无肋间痛组(B组),提取患者相关因素信息,包括性别、年龄、是否具有合并症(糖尿病、高血压及冠心病等)、骨折节段(上、中、下胸椎)、体质指数(body mass index,BMI)、骨密度(bone mineral density,BMD)、骨折类型(楔型、双凹型、扁平型)、有无椎管侵占、椎体稳定性、骨折严重程度[非重度(轻度、中度)、重度]以及椎间孔面积减小率等内容。采用SPSS 24.0软件对数据进行统计学分析,对数据进行单因素筛选分析,再对其有效结果行多因素Logistic回归分析。结果:单因素分析显示两组患者性别、年龄、是否具有合并症(糖尿病、高血压、冠心病)、BMI、BMD无统计学差异(P>0.05),而骨折类型、骨折严重程度(非重度、重度)、有无椎管侵占、椎体是否稳定、椎体骨折节段(中、下胸椎)与椎间孔面积减小率有统计学差异(P<0.05)。多因素Logistic回归显示,胸椎OVCF后肋间痛发生的独立危险因素为椎间孔面积减小率[(OR=1.106,95%CI为1.059~1.156,P=0.000)]。结论:患者骨折严重程度、椎体骨折节段、骨折类型、椎体稳定性、椎管侵占与椎间孔面积减小率是胸椎OVCF后发生肋间痛的相关因素。而椎间孔面积减小率是胸椎OVCF后发生肋间痛的独立危险因素。
文摘目的对比分析人工智能阅片与人工阅片在诊断骨质疏松性椎体压缩骨折中的效能。方法连续收集了2023年1月至2023年12月80例骨质疏松性椎体压缩骨折患者及20例无骨折但存在非特异性腰疼的患者的资料纳入了该项研究。根据患者的计算机断层扫描(computed tomography,CT)影像分别进行人工智能软件诊断和3名不同年资的脊柱外科临床医生(高级职称、中级职称、初级职称各1人)人工阅片诊断。比较不同检测方法的诊断效能。结果各组灵敏度、特异度、阳性预测值、阴性预测值、受试者工作特征(receiver operating characteristic,ROC)曲线下面积(area under the curve,AUC)、Kappa值分别为AI阅片:0.975、0.900、0.975、0.900、0.938、0.875;高级职称:0.950、0.900、0.974、0.818、0.925、0.819;中级职称:0.825、0.850、0.957、0.548、0.837、0.560;初级职称:0.750、0.750、0.923、0.429、0.751、0.390。结论人工智能的诊断水平与高年资医生诊断水平相当,明显高于中级及初级临床医生的诊断水平。
