在机器学习模型中评估成像数据的价值,以预测膝关节骨关节炎患者患者报告的结果

科学领域:

• 整形外科 整形外科 整形外科
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 膝关节关节炎 (OA) 影响全球超过6.5亿人,在末期疾病中需要全膝关节置换.
• 需要进一步阐明成像在跟踪症状性膝关节OA进展中的实用性.

研究的目的:

• 为了比较具有和没有成像特征的机器学习 (ML) 模型,用于预测膝盖OA患者的两年西部安大略和麦克马斯特大学关节炎指数 (WOMAC) 评分.
• 评估ML模型在预测临床上有意义的身体障碍方面的表现.

主要方法:

• 利用了2408名患者 (骨关节炎倡议) 和629名患者 (多中心骨关节炎研究) 的数据.
• 开发了使用18个临床特征和扩展数据集的ML模型,并增加了10个额外的成像特征.
• 采用渐变增强机 (GBM) 进行外部验证,将最小临床重要差异 (MCID) 设置为24.

主要成果:

• 临床和成像ML模型显示可比的预测性能 (AUC<0.025).
• 对于两组数据集,GBM模型在外部验证中取得了最佳表现,AUC分别为0.734和0.747.
• 关键的预测特征包括教育,家族史OA,并发症,骨质疏松症药物使用,和之前的膝盖手术.

结论:

• ML模型在预测膝关节OA进展方面取得了相似的表现,无论是否包括成像特征.
• 这项研究首次证明,成像数据并不能显著提高ML模型的性能,用于预测膝盖OA中的WOMAC得分.
• 仅仅使用临床因素就足以准确预测膝盖OA症状进展.