使用机器学习算法预测系统性红斑狼的EQ-5D全健康状态
João Botto1,2, Nursen Cetrez1,2, Dionysis Nikolopoulos1,2
1Division of Rheumatology, Department of Medicine Solna, Karolinska Institutet, Stockholm, Sweden.
Rheumatology advances in practice
|April 21, 2025
概括
机器学习确定了系统性红斑狼 (SLE) 患者与完全健康状态 (FHS) 相关的因素. 高龄,女性性别和高疾病活动与缺乏FHS有关,而基线EQ-5D得分预测了52周的FHS.
科学领域:
- 类风湿病学 类风湿病学
- 健康 结果 研究 研究 结果
- 机器学习在医学中的应用
背景情况:
- 系统性红斑狼 (SLE) 显著影响患者的生活质量.
- 了解影响感知健康状况的因素对于患者管理至关重要.
- EuroQol 5维 (EQ-5D) 是一个关键的患者报告结果指标.
研究的目的:
- 确定与SLE患者达到完全健康状态 (FHS) 相关的人口,临床和患者报告的因素.
- 利用机器学习算法进行干预前后FHS的可靠预测.
主要方法:
- 对两个贝利马布第三阶段试验 (BLISS-52,BLISS-76) 的后期分析.
- 应用蒙特卡罗特征选择,支持向量机 (SVM),LASSO,神经网络 (NNet) 和后勤回归 (LR).
- 对线性和非线性关系,可解释性和稳定性的评估模型.
主要成果:
- 在1642名SLE患者中,有12.9%在基线报告FHS,在第52周增加到23.1%.
- 关键预测因素包括年龄,性别,祖先,疾病活性 (cSLEDAI-2K,SELENA-SLEDAI PGA),尿蛋白:肌素比率 (UPCR) 和基线EQ-5D-3L指数.
- 模型表现良好 (AUC高达0.77),具有高负预测值 (0.88-0.94).
结论:
- 机器学习确定了与缺乏FHS相关的年龄,女性性别,非亚洲血统,高疾病活性和低UPCR.
- 高基线EQ-5D-3L指数得分是第52周实现FHS的最强预测因素.
- 这些发现增强了对正在接受治疗的SLE患者FHS决定因素的理解.
