Optimizing deep learning-enhanced opportunistic osteoporosis screening from chest X-rays in Australia: Impact of follow-up and treatment adherence on clinical and economic outcomes.

چکیده اصلی

Opportunistic osteoporosis screening using artificial intelligence (AI) applied to routine chest radiographs offers a novel, low-burden strategy to improve early detection and treatment initiation. This study evaluated the cost-effectiveness of AI-enhanced opportunistic osteoporosis screening compared with no screening among Australian women aged ≥50 years undergoing chest radiography. A microsimulation-based Markov model was developed to estimate quality-adjusted life years (QALYs) and lifetime costs in 2025 Australian dollars. The model incorporated the diagnostic performance of AI applied to chest radiographs, subsequent DXA confirmation, treatment initiation, and real-world medication persistence. It also explored the effect of enhanced follow-up and adherence on clinical and economic outcomes. AI-enhanced opportunistic screening was associated with improved health outcomes (+0.0025 QALYs and - 0.0043 fractures per patient) and lower lifetime costs (-AUD59) compared with no screening, representing a dominant strategy. When scaled to 10,000 screened women aged ≥50 years, the model projected prevention of 43 fractures, 25 additional life-years, 25 QALYs gained, and AUD590,000 in healthcare savings. Optimizing follow-up and adherence could amplify clinical benefits by four- to five-fold. AI-enhanced opportunistic osteoporosis screening from chest X-rays appears to be a cost-effective strategy within the Australian healthcare system, delivering better outcomes at lower cost. The results also suggest that linkage to DXA confirmation and subsequent treatment initiation may influence the magnitude of health and economic outcomes. These findings highlight that follow-up and persistence are not merely complementary but essential for realizing the full potential of cost-effective AI-driven osteoporosis screening.

ترجمه فارسی چکیده

استفاده از هوش مصنوعی (AI) برای غربالگری تصادفی استخوان‌شکنی در پرتو ایکس سینه، یک استراتژی جدید و با بار کم برای بهبود تشخیص زودهنگام و شروع درمان ارائه می‌دهد. این مطالعه، هزینه‌فروشی (cost-effectiveness) غربالگری تصادفی استخوان‌شکنی تقویت‌شده با AI را در مقایسه با عدم غربالگری در زنان استرالیایی بالای ۵۰ سال بررسی کرد. یک مدل مارکوف مبتنی بر شبیه‌سازی میکرو برای برآورد سال‌های زندگی با کیفیت (QALY) و هزینه‌های کل در سال ۲۰۲۵ در دلار استرالیا توسعه یافت. مدل شامل عملکرد تشخیصی AI، تأیید DXA، شروع درمان و پایداری دارو در دنیای واقعی بود. غربالگری تصادفی تقویت‌شده با AI با بهبود نتایج سلامت (+0.0025 QALY و -0.0043 شکستگی در هر بیمار) و کاهش هزینه‌های کل (-59 دلار استرالیا) در مقایسه با عدم غربالگری، یک استراتژی غالب بود. هنگام مقیاس‌دهی به ۱۰,۰۰۰ زن بالای ۵۰ سال غربالگری شده، مدل پیش‌بینی جلوگیری از ۴۳ شکستگی، ۲۵ سال زندگی اضافی، ۲۵ QALY به دست آمده و صرفه‌جویی ۵۹۰,۰۰۰ دلار استرالیا در هزینه‌های مراقبت را کرد. بهینه‌سازی پیگیری و رعایت می‌تواند مزایای بالینی را ۴ تا ۵ برابر کند. غربالگری تصادفی استخوان‌شکنی تقویت‌شده با AI در استرالیا به نظر می‌رسد استراتژی هزینه‌فروشی باشد.

متن کامل اصلی