使用临床特征和全身炎症指数,可解释的机器学习模型用于预测ACHR-Ab+一般化肌痛性肌痛症的短期预后,使用临床特征和全身炎症指数

科学领域:

• 神经学 神经学
• 免疫学 免疫学 免疫学
• 数据科学数据科学数据科学

背景情况:

• 骨髓灰质炎 (MG) 是一种自身免疫性疾病,影响神经肌肉结节.
• 抗乙胆受体抗体 (AChR-Abs) 存在于80%的MG患者中,导致肌肉衰弱.
• 在ACHR-Ab+一般化肌痛性肌痛性肌痛症 (GMG) 中,治疗反应有显著的差异,需要改进的预后工具.

研究的目的:

• 开发和验证可解释的机器学习 (ML) 模型,用于预测AChR-Ab+GMG患者的短期预后.
• 将系统性炎症指数与临床指标相结合,以提高预测准确度.
• 引导个性化治疗策略,以改善患者的治疗结果.

主要方法:

• 对202名ACHR-Ab+GMG患者的回顾性分析,分为培训和外部验证队列.
• 使用临床和炎症数据开发和验证ML模型 (XGBoost,物流回归,随机森林,SVM).
• 使用Shapley添加式解释 (SHAP) 评估特征重要性.

主要成果:

• 28.7%的患者在6个月的标准治疗后经历了不良结果.
• XGBoost模型实现了最高的预测性能 (AUC:0.944),超过了其他ML模型.
• 确定了11个重要的预测因素,包括临床指标和全身炎症指数,SHAP强调了5个关键决定因素.

结论:

• 一个可解释的XGBoost模型整合了临床和炎症数据,有效地预测了AChR-Ab+ GMG的短期预后.
• 这种预测方法可以增强临床决策和个性化治疗策略.
• 改善治疗结果的预测可以导致更好的管理和患者护理在GMG.