使用机器学习预测从血清阴性不分化关节炎的类风湿性关节炎进展:在KURAMA队列上训练的深度学习模型,并与ANSWER队列外部验证

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
• 临床预测建模模型

背景情况:

• 不分化的关节炎 (UA) 可以发展为类风湿性关节炎 (RA),但在血清阴性病例中难以预测这种过渡.
• 血清阴性RA往往不符合当前的分类标准,使早期诊断和干预复杂化.
• 开发对血清阴性UA进展的预测模型对于及时的RA管理至关重要.

研究的目的:

• 开发和验证一个机器学习 (ML) 模型,用于预测RA从血清阴性UA的进展.
• 确定关键的临床和实验室参数,这些参数表明进展的风险更高.
• 用独立的验证队列来评估模型的性能.

主要方法:

• 使用了KURAMA (培训) 和ANSWER (验证) 队列,其中包括患有血清阴性UA的患者.
• 收集了各种各样的临床和实验室数据,包括人口统计,自身抗体和物理发现.
• 开发和比较各种ML模型,包括Feedforward神经网络 (FNN),用AUC和灵敏度指标评估性能.

主要成果:

• 在训练组 (KURAMA队列) 中,FNN模型实现了0.924的AUC和80.7%的灵敏度.
• 在ANSWER队列的独立验证中,AUC为0.777和77.8%的灵敏度.
• 矩阵金属蛋白酶-3 (MMP-3) 被确定为预测模型中最有影响力的变量.

结论:

• 开发的FNN模型在预测RA从血清阴性UA的进展方面表现强.
• 该模型在独立验证队列中保持了显著的预测灵敏度.
• 这种ML方法,利用可访问的临床和实验室数据,显示出确定可能发展RA的血清阴性UA患者的希望.