通过临床数据和机器学习模型识别膝关节骨关节炎的生物标志物
Wei Chen1,2, Haotian Zheng3, Binglin Ye2
1Clinical College of Chinese Medicine, Gansu University of Chinese Medicine, Lanzhou, Gansu, China.
Scientific reports
|January 11, 2025
概括
机器学习模型使用关键临床特征,如年龄和BMI,准确预测膝关节关节炎 (KOA). 随机森林模型在识别KOA时表现出卓越的诊断准确性.
科学领域:
- 生物医学数据科学是生物医学数据科学.
- 临床信息学是一种临床信息学.
- 计算生物学是一种计算生物学.
背景情况:
- 膝关节骨关节炎 (KOA) 是一种进展性退行性关节疾病.
- 早期和准确的KOA诊断对于有效的管理和治疗至关重要.
- 现有的诊断方法在识别早期KOA时可能缺乏准确性.
研究的目的:
- 开发和验证用于使用临床生物标志物预测KOA的机器学习模型.
- 确定最能预测KOA的关键临床特征.
- 为KOA预测建立一个风险分层框架.
主要方法:
- 使用了2594个样本的数据集,分为培训 (70%) 和验证 (30%) 集.
- 使用差异分析和LASSO回归来确定44个关键临床特征.
- 使用特征子集构建和评估了六个机器学习模型 (LR,RF,xGBoost,NB,SVM,DT).
- 应用SHAP值用于定量特征重要性排名和ROC曲线用于绩效评估.
- 使用递归分区分析 (RPA) 开发了一个风险分层框架.
主要成果:
- 确定了年龄,血原血时间,性别,BMI和PTINR作为KOA前五大预测特征.
- 随机森林 (RF) 模型实现了最高的诊断准确性,在验证集中曲线下的面积 (AUC) 为0.961.
- 机器学习模型,特别是具有前五个特征的射频模型,表现出强大的诊断性能.
- RPA分析表明,54岁及以上的个体中KOA患病率较高.
结论:
- 当用机器学习分析临床特征时,它为KOA提供了强大的诊断性能.
- 使用关键临床变量,RF模型为KOA诊断提供了卓越的准确性.
- 开发的RPA模型帮助临床医生对KOA患者进行预后评估和决策.
