Modelo predictivo de fractura osteoporótica con Inteligencia Artificial

Abstract

Osteoporosis is one of the main causes of fragility fractures in postmenopausal women, with major repercussions on quality of life, mortality, and healthcare costs. Dual-energy X-ray absorptiometry (DXA) remains the gold standard for diagnosis; however, its predictive power is limited, as a significant proportion of fractures occur in women whose bone mineral density (BMD) values fall within the normal or osteopenic range. Therefore, it is crucial to develop more accurate tools capable of identifying high-risk patients before an adverse event occurs. The objective of this thesis was to develop and validate fracture prediction models based on machine learning algorithms, specifically Random Forest (RF) and eXtreme Gradient Boosting (XGB), integrating clinical, demographic, and densitometric variables, as well as parameters derived from 3D-DXA and the Trabecular Bone Score (TBS). A cross-sectional study was conducted including 576 postmenopausal women from two independent cohorts: the HURH cohort (n = 276, patients diagnosed with osteoporosis) and the Camargo cohort (n = 300, general population). The former was used for model training (internal validation using 5-fold cross-validation and a 30% hold-out test), while the latter was reserved for external validation. The discriminative performance of the models was compared with that of other algorithms (K-nearest neighbors, Support Vector Machines, Decision Trees, and Gaussian Naïve Bayes) and with the clinical FRAX index. In the internal test, the RF model achieved an accuracy of 89.24% and an AUC of 0.89; in the external validation, it maintained high performance (accuracy of 87.62% and AUC of 0.87), consistently outperforming all other classifiers and more than doubling the prognostic capacity of FRAX. The XGB model showed slightly superior performance, with improved probability calibration and greater stability across cohorts, confirming its suitability for heterogeneous clinical settings. The variable importance analysis identified previous fracture, parathyroid hormone (PTH) levels, and lumbar T-score as the main predictors, along with other densitometric parameters. Moreover, a reduced set of easily obtainable variables maintained predictive accuracy comparable to the full model, reinforcing its practical applicability in routine clinical contexts. In conclusion, the combination of artificial intelligence and clinical densitometric data optimizes fracture risk stratification in postmenopausal women. The models developed, particularly those based on RF and XGB, provide robust, accurate, and interpretable tools that can be readily implemented in clinical practice, enabling personalized preventive interventions and helping to reduce the morbidity and mortality associated with osteoporotic fractures.

La osteoporosis constituye una de las principales causas de fractura por fragilidad en mujeres posmenopáusicas, con importantes repercusiones sobre la calidad de vida, la mortalidad y los costes sanitarios. La densitometría ósea por DXA (Dual Energy X-ray Absorptiometry) es el patrón adecuado para el diagnóstico, pero su poder predictivo es limitado, de modo que una proporción significativa de fracturas sucede en mujeres con valores de BMD dentro del rango normal u osteopénico. Por ello resulta prioritario disponer de herramientas más precisas que permitan identificar a las pacientes de alto riesgo antes de que se produzca el evento adverso. El objetivo de esta tesis es desarrollar y validar modelos de predicción de fracturas basados en algoritmos de aprendizaje automático, concretamente Random Forest (RF) y eXtreme Gradient Boosting (XGB), que integren variables clínicas, demográficas y densitométricas, así como parámetros derivados de 3D-DXA y de la puntuación Trabecular Bone Score (TBS). Para ello se llevó a cabo un estudio transversal con 576 mujeres posmenopáusicas procedentes de dos cohortes independientes: la cohorte HURH (n = 276, pacientes diagnosticadas de osteoporosis) y la cohorte Camargo (n = 300, población general). La primera se empleó para el entrenamiento (validación interna mediante 5-fold CV y test hold-out del 30 %), mientras que la segunda se reservó para la validación externa. La capacidad discriminativa de los modelos se comparó con la de otros algoritmos (K-nearest neighbors, Support Vector Machines, Decision Trees y Gaussian Naïve Bayes) y con el índice clínico FRAX. En la prueba interna, el modelo RF alcanzó una exactitud del 89,24 % y un AUC de 0,89; en la validación externa mantuvo un rendimiento elevado (exactitud del 87,62 % y AUC de 0,87), superando de forma consistente al resto de clasificadores y multiplicando por más de dos la capacidad pronóstica de FRAX. El modelo XGB mostró un comportamiento ligeramente superior, con una mejor calibración de las probabilidades y una mayor estabilidad entre cohortes, confirmando su idoneidad para entornos clínicos heterogéneos. El análisis de importancia de variables señaló como predictores clave el antecedente de fractura, los niveles de hormona paratiroidea (PTH) y el T-score lumbar, junto con otros parámetros densitométricos. Además, se comprobó que un conjunto reducido de variables fácilmente disponibles mantiene una capacidad predictiva comparable al modelo completo, lo que refuerza su aplicabilidad práctica en contextos asistenciales. En conclusión, la combinación de inteligencia artificial y datos clínico-densitométricos permite optimizar la estratificación del riesgo de fractura en mujeres posmenopáusicas. Los modelos desarrollados, especialmente el basado en RF y XGB, ofrecen herramientas robustas, precisas e interpretables, fácilmente transferibles a la práctica clínica, que facilitan intervenciones preventivas personalizadas y contribuyen a reducir la morbimortalidad asociada a las fracturas osteoporóticas.