サウジアラビアの臨床データを用いた機械学習によるベーチェット病診断強化：比較研究

科学分野:

• リウマチ学
• 計算生物学
• 医療情報学

背景:

• ベーチェット病（BD）は、リウマチ性免疫疾患における希少性と多様な症状のため、診断上の課題を呈します。
• BDの病態生理と鑑別特徴に関する現在の理解は限られており、正確でタイムリーな診断を妨げています。

研究 の 目的:

• ベーチェット病と他のリウマチ性疾患を鑑別する臨床的および実験的特徴を探求すること。
• BDの主要な診断マーカーを特定する上での機械学習アルゴリズムの有用性を調査すること。

主な方法:

• 148人の患者（BD 76人、関節リウマチ72人）から臨床データを収集しました。
• ランダムフォレスト（RF）、XGBoost、サポートベクターマシン（SVM）を含む機械学習アルゴリズムを適用しました。
• 順列ベースの方法やSHAP値を含む特徴量重要度分析を利用しました。

主要な成果:

• ランダムフォレストモデルは96.7%の精度と1.0の曲線下面積（AUC）を達成し、XGBoostは0.9985のAUCを達成しました。
• 特徴量の重要度分析では、口腔潰瘍が確立された診断基準と部分的に一致する、最も重要な鑑別特徴であることが強調されました。
• 機械学習モデルは、BDと他のリウマチ性疾患を区別する上で強力なパフォーマンスを示しました。

結論:

• 本研究は、BDのユニークな特徴と特徴間の相互作用を理解するための探索的なフレームワークを提供します。
• 機械学習アプローチは、ベーチェット病の将来の診断支援システムを開発する上で有望であることを示しています。
• 口腔潰瘍のような主要な診断特徴を特定することは、BDの早期認識と管理に役立ちます。