• 제목/요약/키워드: BMD Discordance

검색결과 2건 처리시간 0.017초

이중에너지 X선 흡수 계측법을 이용한 골밀도 검사 시 진단불일치에 대한 분석 (The Study of Diagnostic Results Discordance Analysis on BMD Using DEXA)

  • 박원규;강영한;조광호
    • 대한방사선기술학회지:방사선기술과학
    • /
    • 제31권1호
    • /
    • pp.25-31
    • /
    • 2008
  • 목적: 이중 에너지 X선 흡수 계측(DEXA, Dual Energy X-ray Absorptiometry)을 이용한 골다공증 진단 시 부위 별로 골다공증에 대한 진단 불일치도를 파악하고, 연령의 증가에 따른 골다공증 진단 일치 여부를 조사하여 골절 예방과 치료에 대한 기초 자료를 제공하고자 하였다. 연구대상 및 방법: 골절 및 정형외과적 수술이 없는 여성 220명을 대상으로 요추부 $1{\sim}4$번과 고관절의 대퇴경부, Ward's triangle 그리고 전완부의 Ultra digital 부위의 골밀도를 측정하였다. 요추부와 대퇴경부, 전완부의 진단 일치 여부를 위해 각 부위 별 골감소증, 골다공증을 구별하여 분석하였고, 연령의 증가에 따른 진단의 불일치도를 파악하였다. 통계처리는 전완부와 대퇴 경부, 요추부 골밀도의 상관분석을 하였고, 각 부위 T-score 비교는 $x^2$-test를 사용하여 유의성 검정을 하였고, p < 0.05인 경우를 유의한 차이로 판정하였다. 결과: 대상자의 요추부 골밀도는 정상이 57명(25.9%), 골감소증군 86명(39.1%), 골다공증군은 77명(35.0%)이었다. 요추 4번에서는 골다공증군이 78명(35.5%)이었고, Ward's triangle은 126명(57.3%)에서 골다공증으로 진단되어 Ward's triangle에서 골밀도가 가장 낮았다. 요추부와 대퇴경부의 진단불일치율은 57%였고, 요추부와 전완은 43%, 전완과 대퇴경부는 51%로 나타났다. 정상군, 골감소증군, 골다공증군의 진단불일치율은 각각 39%, 63%, 42%로 나타나, 골감소증군에서 진단불일치율이 가장 높았다. 요추부가 정상일 때 불일치도는 30대, 40대, 50대, 60대, 70대에서 각각 25%, 23%, 11%, 65%, 86%로 나타나 60대 이후 불일치도가 급격히 높아졌다. 요추부가 골감소증이나 골다공증일 때는 30대, 40대, 50대, 60대, 70대에서 각각 62%, 55%, 36%, 20%, 9%로 나타나 연령이 높아질수록 불일치도는 낮아졌다. 결론: 골밀도는 연령증가에 따라 변화되고 부위에 따라 서로 차이가 있으므로 골밀도 검사는 요추와 대퇴경부, 전완을 각각 측정하여 차이를 살펴보는 것이 바람직하다. 진단의 불일치 정도가 60대와 70대, 그리고 골다공증군에서 가장 현저하였으며, 이는 두 부위 이상에서 불일치가 일어날 가능성이 있으므로 골절 위험 한계치의 측정에 각 부위별 골밀도 측정이 필요할 것으로 사료된다.

  • PDF

Machine Learning Model to Predict Osteoporotic Spine with Hounsfield Units on Lumbar Computed Tomography

  • Nam, Kyoung Hyup;Seo, Il;Kim, Dong Hwan;Lee, Jae Il;Choi, Byung Kwan;Han, In Ho
    • Journal of Korean Neurosurgical Society
    • /
    • 제62권4호
    • /
    • pp.442-449
    • /
    • 2019
  • Objective : Bone mineral density (BMD) is an important consideration during fusion surgery. Although dual X-ray absorptiometry is considered as the gold standard for assessing BMD, quantitative computed tomography (QCT) provides more accurate data in spine osteoporosis. However, QCT has the disadvantage of additional radiation hazard and cost. The present study was to demonstrate the utility of artificial intelligence and machine learning algorithm for assessing osteoporosis using Hounsfield units (HU) of preoperative lumbar CT coupling with data of QCT. Methods : We reviewed 70 patients undergoing both QCT and conventional lumbar CT for spine surgery. The T-scores of 198 lumbar vertebra was assessed in QCT and the HU of vertebral body at the same level were measured in conventional CT by the picture archiving and communication system (PACS) system. A multiple regression algorithm was applied to predict the T-score using three independent variables (age, sex, and HU of vertebral body on conventional CT) coupling with T-score of QCT. Next, a logistic regression algorithm was applied to predict osteoporotic or non-osteoporotic vertebra. The Tensor flow and Python were used as the machine learning tools. The Tensor flow user interface developed in our institute was used for easy code generation. Results : The predictive model with multiple regression algorithm estimated similar T-scores with data of QCT. HU demonstrates the similar results as QCT without the discordance in only one non-osteoporotic vertebra that indicated osteoporosis. From the training set, the predictive model classified the lumbar vertebra into two groups (osteoporotic vs. non-osteoporotic spine) with 88.0% accuracy. In a test set of 40 vertebrae, classification accuracy was 92.5% when the learning rate was 0.0001 (precision, 0.939; recall, 0.969; F1 score, 0.954; area under the curve, 0.900). Conclusion : This study is a simple machine learning model applicable in the spine research field. The machine learning model can predict the T-score and osteoporotic vertebrae solely by measuring the HU of conventional CT, and this would help spine surgeons not to under-estimate the osteoporotic spine preoperatively. If applied to a bigger data set, we believe the predictive accuracy of our model will further increase. We propose that machine learning is an important modality of the medical research field.