基于数据的预测性风险生物标志物的鉴定,用于骨关节炎的子组,使用可解释的机器学习
Rikke Linnemann Nielsen1, Thomas Monfeuga1, Robert R Kitchen1
1Novo Nordisk Research Centre Oxford, Oxford, UK.
Nature communications
|April 1, 2024
概括
这项研究使用临床和生物标志物数据开发了骨关节炎 (OA) 风险的预测模型. 该模型识别了个性化的风险概况,以实现针对性预防骨关节炎的策略.
科学领域:
- 生物医学科学 生物医学科学
- 遗传学 是一个遗传学.
- 流行病学 流行病学
背景情况:
- 骨关节炎 (OA) 的患病率正在上升,严重影响患者的生活质量.
- 目前对与OA风险相关的生物标志物的理解是有限的,这阻碍了有效的预防.
- 预测工具对于识别有OA高风险的个体至关重要.
研究的目的:
- 开发和验证五年骨关节炎诊断风险的预测模型.
- 确定导致OA风险的关键临床,生活方式和生物标志物因素.
- 描述不同的OA风险概况和相关的个性化生物标志物.
主要方法:
- 利用来自英国生物库 (19,120名OA患者) 的回顾性临床,生活方式和生物标志物数据.
- 开发了一个具有0.72的ROC-AUC (95%CI:0.71-0.73) 的预测模型.
- 在独立队列中验证了子组,评估了11年OA风险,实现了88%的独特子组分配.
主要成果:
- 更高的年龄,BMI和NSAID处方是OA风险的重要预测因素.
- 确定了14个OA风险概况的不同子组.
- 奥米克集成突出了基因 (例如GDF5) 和途径 (例如TGF-β信号传递) 以及生物标志物的预测重要性 (例如CRTAC1,COL9A1).
结论:
- 开发的模型为个性化骨关节炎预防提供了机会.
- 确定了特定的生物标志物和遗传途径,这对于理解OA病原体至关重要.
- 这项研究提供了对OA个性化风险分层和潜在干预措施的见解.


