预测膝关节骨关节炎的快速进展:一种新且可解释的自动机器学习方法,特别关注年轻患者和早期疾病
Simone Castagno1, Mark Birch1, Mihaela van der Schaar2
1Department of Surgery, University of Cambridge, Cambridge, UK.
Annals of the rheumatic diseases
|January 28, 2025
概括
我们开发了一种自动机器学习工具,用于预测膝关节骨关节炎的快速进展. 这种可靠,透明的工具有助于患者分层,用于骨关节炎治疗开发和临床试验.
科学领域:
- 生物医学数据科学是生物医学数据科学.
- 骨关节炎的研究研究.
- 机器学习在医疗保健中的应用.
背景情况:
- 骨关节炎 (OA) 患者分层对于开发新疗法和招募临床试验至关重要.
- 预测膝盖骨关节炎的快速进展有助于个性化治疗策略和研究.
- 现有的"黑盒子"方法缺乏透明度,阻碍了临床采用.
研究的目的:
- 创建一个自动化机器学习 (autoML) 工具,用于预测两年内膝关节OA的快速进展.
- 为了促进OA治疗开发和临床试验招聘的患者分层.
- 提高OA进展预测的透明度和可靠性.
主要方法:
- 开发了自动ML模型,整合了临床,生化,X射线和MRI数据.
- 利用了两个OA倡议数据集进行培训,验证和外部验证.
- 采用了多类和二进制结果定义;确定了关键预测因素并进行了子组分析.
主要成果:
- 具有临床变量的简单模型实现了强大的外部验证 (AUC-PRC 0.727多类,0.764二进制).
- 多类模型在早期OA中表现出色;二元模型在60岁以下的患者中更可靠.
- 患者报告的结果和MRI特征是关键预测因素;开发了个性化的预测网络应用程序.
结论:
- 新的autoML工具在预测膝关节OA快速进展方面提供了透明度和可靠性.
- 这使其与传统方法不同,促进了临床和患者的接受.
- 该工具已准备好在临床实践中有效实施,以改善OA管理.
