在类风湿性关节炎中评估并发症集群:一种机器学习方法
Daniel H Solomon1,2, Hongshu Guan3, Fredrik D Johansson4
1Division of Rheumatology, Brigham and Women's Hospital, 60 Fenwood Road, Boston, MA, 02115, USA. dsolomon@bwh.harvard.edu.
Arthritis research & therapy
|November 23, 2023
概括
机器学习 (ML) 有效地将类风湿性关节炎 (RA) 的并发症聚集在一起,但这些群体对临床结果的预测价值与单个并发症相似.
科学领域:
- 类风湿病学 类风湿病学
- 计算生物学 计算生物学
- 生物统计学 生物统计学
背景情况:
- 类风湿性关节炎 (RA) 经常伴有并发症.
- 机器学习 (ML) 曾经被用来识别这些并发症的模式.
- 这项研究比较了ML衍生的并发症集群在RA中的预测实用性.
研究的目的:
- 应用和比较各种ML算法,以集群RA患者的并发症.
- 评估这些ML衍生的并发症集群在预测未来临床结果方面的有效性.
- 评估ML集群的性能与个人并发症预测模型相比.
主要方法:
- 利用CorEvitas美国RA注册表的数据,包括6年多的11,883名患者.
- 采用K模式,K平均值,基于回归的和层次的集群来导出并发症集群.
- 预测的临床疾病活动指数 (CDAI) 和健康评估问卷 (HAQ-DI) 使用ML集群和个人并发症.
主要成果:
- ML衍生的并发症集群显示,对CDAI和HAQ-DI的个人并发症具有可比的预测力.
- 使用每个ML算法的五个集群的模型显示与24个个人并发症模型相似的匹配 (调整R2,RMSE).
- 对CDAI和HAQ-DI结果的预测性表现保持一致.
结论:
- 机器学习算法可以有效地将RA中的并发症聚集在一起,尽管集群的临床解释性可能具有挑战性.
- ML衍生的并发症集群为临床结果提供了类似的预测价值,而不是单独分析个别并发症.
- 虽然ML集群对于复杂的数据如多omics很有用,但与传统方法相比,ML集群在预测RA临床结果方面的优势可能有限.
