关节骨关节炎进展的综合性风险预测因素
Lingrui Cai1, Najla Al Turkestani2,3, Lucia Cevidanes2
1Department of Computational Medicine and Bioinformatics, University of Michigan, 100 Washtenaw Ave, Ann Arbor, 48109, MI,USA.
概括
机器学习模型使用临床,成像和生物特征准确预测关节 (TMJ) 骨关节炎的进展. 支持矢量机 (SVM) 模型表现出高预测性能,确定了疾病预后的关键指标.
科学领域:
- 生物医学工程 生物医学工程
- 数据科学数据科学数据科学
- 类风湿病学 类风湿病学
背景情况:
- 关节 (TMJ) 骨关节炎是一种退行性疾病,需要准确的预后工具.
- 预测疾病进展对于有效的患者管理和治疗策略至关重要.
研究的目的:
- 开发和评估用于预测TMJ骨关节炎疾病进展的机器学习模型.
- 确定关键的临床,成像和与TMJ骨关节炎预后相关的生物特征.
主要方法:
- 采用了特征选择技术,包括最大相关性,最小冗余性,Chi-Square,LASSO和递归特征消除.
- 训练和比较了机器学习模型,如LUCCK,支持矢量机 (SVM) 和随机森林 (RF).
- 模型的性能是使用诸如曲线下的面积 (AUC),灵敏度和精度等指标来评估的.
主要成果:
- 使用LASSO选择的特征,SVM模型实现了AUC为0.92±0.08,灵敏度为0.85±0.19,精度为0.76±0.18.
- 关键的预测特征包括临床并发症 (头痛,腰部疼痛,不安睡眠,肌肉疼痛),特定的成像特征 (关节骨骨表面/体积,状分离,状纹理特征) 和生物标志物 (唾液和血清6Ckine,OPG,血管原蛋白,BDNF水平).
结论:
- 机器学习,特别是带有LASSO特征选择的SVM,为预测TMJ骨关节炎进展提供了强大的方法.
- 临床,成像和生物标志物的组合可以有效地识别患有严重TMJ骨关节炎风险较高的患者.
