基于机器学习模型的系统性硬化症患者的预后预测
Yan Zheng1, Wei Jin1, Zhaohui Zheng1
1Department of Clinical Immunology, Xijing Hospital, Fourth Military Medical University, Shaanxi Province, No. 15 Changle West Road, Xi'an, 710032, People's Republic of China.
Clinical rheumatology
|June 27, 2024
概括
一个机器学习模型准确地预测系统性硬化症 (SSc) 患者的预后. 早期识别高风险个体使用临床特征,如肺动脉高血压和皮肤评分可以改善患者的结果.
科学领域:
- 风湿病学和免疫学
- 医疗信息学 医疗信息学
- 临床预测建模模型
背景情况:
- 系统性硬化症 (SSc) 呈现出高度变化的临床表现,导致不同的预后和并发症.
- 纤维化,血管病变和免疫失调有助于SSc亚型的各种结果.
- 开发个性化工具来预测SSc预后对于有效的患者管理至关重要.
研究的目的:
- 开发一个个性化的工具来预测系统性硬化症 (SSc) 患者的预后.
- 确定SSc患者死亡的独立风险因素.
- 将机器学习模型的预测性能与传统的统计方法进行比较.
主要方法:
- 招募了517名SSc患者的队列,其中266人接受了生存分析.
- 考克斯生存分析和随机生存森林 (RSF) 机器学习方法被用来识别死亡的风险因素.
- 用一致性指数,曲线下的面积 (AUC) 和集成的布莱尔分数来评估预测性性能.
主要成果:
- 肺动脉高血压,数字和修改的罗丹恩皮肤评分 (mRSS) 被确定为SSc中预后不佳的独立风险因素.
- 与考克斯模型相比,RSF模型的预测性能优越,三年和五年AUC分别为0.74和0.78.
- 为了临床风险评估,开发了一个名图表.
结论:
- 机器学习模型,特别是RSF,通过分析非线性效应和变量重要性,可以更好地预测SSc的预后.
- 通过简单的临床特征提前识别高风险的SSc患者,可以指导临床管理并改善患者的治疗结果.
- 这些模型可以帮助风湿病学家监测和规划SSc患者的护理.
