开发了机器学习模型,该模型具有高度验证,易于用于预测膝盖骨关节炎进展的放射性膝盖骨关节炎

科学领域:

• 生物医学工程 生物医学工程
• 数据科学在医学中的数据科学
• 整形外科 整形外科 整形外科

背景情况:

• 膝关节骨关节炎 (KOA) 进展预测对于患者管理至关重要.
• 现有的人工智能 (AI) 模型往往缺乏强大的外部验证,并且表现不佳.
• 对于KOA进展,需要具有临床适用性和高度验证的AI模型.

研究的目的:

• 开发和验证用于预测膝关节骨关节炎进展的机器学习模型.
• 确保开发模型的高验证质量和临床适用性.
• 使用可访问的变量识别KOA进展的关键预测因素.

主要方法:

• 从骨关节炎倡议 (开发) 和多中心骨关节炎研究 (验证) 数据集中前性收集的数据的回顾性分析.
• 利用随机森林算法预测Kellgren-Lawrence等级 (KLG) 在4-5年内对初始KLG0,1或2的进展.
• 选择的关键预测因素包括基线KLG,逆侧膝关节关节炎,侧侧关节空间缩小 (JSN) 度,BMI,中间JSN度和总WOMAC得分.

主要成果:

• 随机森林模型确定了基线KLG,逆侧膝关节骨关节炎和横侧JSN等级作为显著预测因素 (ORs>1.76,p <0.001).
• 该模型在外部验证集中实现了0.76的ROC曲线下的面积 (AUC).
• 该模型的准确度为0.68,F1得分为0.56,用于预测KOA进展.

结论:

• 一个简单的,经过验证的机器学习模型可以有效地使用易于获得的变量预测膝关节关节炎的进展.
• 该模型的性能表明,它在帮助骨科外科医生制定患者管理策略方面具有潜在的实用性.
• 进一步整合这些经过验证的AI工具可以提高骨关节炎护理中的临床决策.