识别基于机器学习的诊断模型,用于关节脊柱炎在类风湿病常规护理使用随机森林方法
Imke Redeker1, Styliani Tsiami1, Jan Eicker1
1Rheumatology, Ruhr-Universität Bochum and Rheumazentrum Ruhrgebiet, Bochum, Germany.
RMD open
|November 28, 2024
概括
一个新的机器学习模型准确地区分了轴性脊柱关节炎 (axSpA) 与慢性背痛的其他原因. 这种优先考虑HLA-B27的工具可以帮助减少 axSpA患者在常规护理中的诊断延迟.
科学领域:
- 类风湿病学 类风湿病学
- 人工智能在医学中的应用
- 诊断建模 诊断建模
背景情况:
- 轴性脊椎关节炎 (axSpA) 的早期诊断至关重要,但由于缺乏确定的诊断标准,往往会延迟.
- 慢性背痛是一种常见的症状,使得axSpA在临床实践中难以区分.
研究的目的:
- 开发和验证基于机器学习的诊断模型,以在慢性背痛患者中区分axSpA和非axSpA.
- 确定有助于准确诊断axSp.A.的关键临床特征.
主要方法:
- 采用随机森林机器学习算法,使用来自第三级风湿病学实践的临床数据构建诊断模型.
- 939名患者 (659名axSpA,280名非axSpA) 的数据集被随机分为训练 (70%) 和测试 (30%) 组.
- 用准确度,灵敏度,特异性和ROC-AUC来评估模型性能,并评估变量的重要性.
主要成果:
- 机器学习模型在测试数据集中实现了高性能:准确度为0.9234,灵敏度为0.9586,特异性为0.8438和ROC-AUC为0.9717.
- 人类白细胞抗原B27 (HLA-B27) 是最重要的预测因子,其次是背痛和关节侵蚀的潜伏发作.
- 该模型在现实临床环境中展示了axSpA强大的诊断能力.
结论:
- 开发了一种高性能机器学习模型,用于诊断慢性背痛患者的axSpA.
- 该模型利用常规的临床数据,显示了缩短axSpA.诊断延迟的显著潜力.
- 这些发现强调了机器学习在改善复杂类风湿病的诊断准确性方面的实用性.
