在两到五年内使用机器学习预测末期膝关节关节炎的出现
Zubeyir Salis1, Jeffrey B Driban2, Timothy E McAlindon3
1Division of Rheumatology, Geneva University Hospitals and Faculty of Medicine, University of Geneva, Geneva, Switzerland; School of Human Sciences, the University of Western Australia, Perth, WA, Australia; Centre for Big Data Research in Health, the University of New South Wales, Kensington, NSW, Australia.
Seminars in arthritis and rheumatism
|March 21, 2024
概括
一个新的机器学习工具可以在2-5年内准确预测末期膝关节关节炎 (KOA) 的进展,从而提高KOA临床试验的效率. 该工具提供了一种可靠的方法来识别可能患有严重KOA的参与者.
科学领域:
- 整形外科 整形外科 整形外科
- 生物医学工程 生物医学工程
- 数据科学数据科学数据科学
背景情况:
- 为膝关节骨关节炎 (KOA) 试验确定参与者是一项挑战.
- 目前使用全膝关节置换 (TKR) 的方法不可靠.
- 对于严重的KOA需要一个强大的指标,导致最终阶段的KOA (esKOA) 测量.
研究的目的:
- 开发和验证一种机器学习工具,用于预测esKOA在2-5年内出现.
- 通过识别有风险的个体来提高KOA临床试验的效率.
- 为严重的KOA进展提供比TKR更可靠的预测指标.
主要方法:
- 利用骨关节炎倡议 (OAI) 数据进行模型培训 (3,114名参与者) 和验证 (606名参与者).
- 外部验证的模型使用多中心骨关节炎研究 (MOST) 数据 (1602名参与者).
- 根据放射性严重性和症状强度定义esKOA;被认为是51个预测因素.
主要成果:
- 在外部验证中达到高的曲线下面积 (AUC) 值,用于预测esKOA:右膝盖 (2.5年: 0.847,5年: 0.853),左膝盖 (2.5年: 0.824,5年: 0.807).
- 具有较少预测因素的模型显示了可比性能的表现.
- 有一个EsKOA预测的在线工具可用.
结论:
- 开发了一个强大的,外部验证的机器学习工具,用于预测esKOA的发病.
- 该工具擅长识别可能在2-5年内发展为esKOA的个人.
- 这种工具可以显著提高未来KOA临床试验的效率和设计.
