一个强大的机器学习方法来预测bDMARDs治疗的类风湿性关节炎患者的缓解和分层风险
Fatemeh Salehi1, Emmanuelle Salin2, Benjamin Smarr3
1Machine Learning and Data Analytics Lab, Department Artificial Intelligence in Biomedical Engineering, Friedrich-Alexander-Universität Erlangen-Nürnberg, 91052, Erlangen, Germany. fatemeh.salehihafshejani@fau.de.
Scientific reports
|July 4, 2025
概括
这项研究开发了一种机器学习模型,用于预测开始使用生物修饰性抗风湿药物 (bDMARDs) 的患者的类风湿性关节炎 (RA) 缓解. 该模型准确地预测了治疗成功,使得个性化护理和风险分层成为可能.
科学领域:
- 类风湿病学 类风湿病学
- 人工智能的人工智能
- 精准医学是一门精准的医学.
背景情况:
- 类风湿性关节炎 (RA) 是一种慢性自身免疫性疾病,影响全球数百万人,造成关节损伤和降低生活质量.
- 目前的治疗方法,包括生物修饰性抗风湿药 (bDMARDs),是有效的,但成本高昂,很大一部分患者无法实现缓解.
- 预测治疗反应对于优化患者护理,最大限度地减少不良影响和提高成本效益至关重要.
研究的目的:
- 开发和验证一个强大的机器学习 (ML) 框架,以使用常规临床数据预测RA患者的六个月缓解期.
- 将风险分层和可解释性特征纳入ML框架,以提高临床适用性.
- 确定影响治疗反应预测的关键患者特征.
主要方法:
- 使用来自奥地利RA患者的基线数据评估了多个ML模型 (AdaBoost,随机森林,XGBoost,SVM).
- 在Erlangen医院的独立数据集上外部验证的模型性能.
- 采用了校准技术 (Platt缩放,同位素回归,β校准,Spline校准) 和SHapley添加式扩展 (SHAP) 进行概率估计,风险分层和特征重要性分析.
主要成果:
- 具有同位素回归校准的AdaBoost以85.71%的准确度和0.13.1的布赖尔分数获得了最高的性能.
- SHAP分析确定了疾病活动评分28 (DAS28),视觉模拟尺度 (VAS),年龄和胀关节数 (SJC) 作为RA缓解的关键预测因素.
- 该框架成功地将患者分为低风险,中风险和高风险类别.
结论:
- 开发的ML框架准确地预测bDMARD治疗开始前的RA缓解,从而实现个性化治疗策略.
- 该模型的稳定性,在独立队列中得到验证,支持其在常规临床工作流程中进行潜在的整合,以优化资源配置和患者管理.
- 该框架促进了可行的风险分层,指导了RA患者的后续安排和治疗优先级.
