一种多生物标记机器学习方法,用于早期预测类风湿性关节炎中间歇性肺病的早期预测
Jiaojiao Xu1, Wei Zhang1, Weili Bai1
1Department of Rheumatology, Xi'an Fifth Hospital, 112 Xiguanzheng Street, Lianhu District, Xian, Shaanxi, 710000, People's Republic of China.
BMC pulmonary medicine
|August 15, 2025
概括
机器学习模型,特别是XGBoost,对早期风湿性关节炎-间歇性肺病 (RA-ILD) 检测有希望. 像KL-6这样的关键生物标志物可以改善早期诊断和患者的治疗结果.
科学领域:
- 风湿病学和肺病学 风湿病学和肺病学
- 生物标志物发现发现
- 医疗保健中的机器学习
背景情况:
- 类风湿性关节炎 (RA) 患者患间歇性肺病 (ILD) 的风险为10-30%.
- 当前的诊断方法通常在严重的肺损伤后检测到ILD,因此需要更早的检测策略.
- 早期识别RA-ILD对于及时干预和改善患者预后至关重要.
研究的目的:
- 开发和验证用于RA-ILD早期预测的机器学习 (ML) 模型.
- 确定用于RA-ILD早期检测的关键预测生物标志物.
- 加强风险分层并促进RA-ILD管理的早期干预.
主要方法:
- 进行了一项涉及149名RA患者 (84人患有ILD,65人没有ILD) 的横截面研究.
- 评估了人口,临床和实验室参数,包括炎症和血液学标志物.
- 开发了四种ML模型 (XGBoost,随机森林,SVM,物流回归),并对预测性能进行了比较.
主要成果:
- XGBoost模型实现了最高的预测性能,其AUC为0.891.1.
- 克雷布斯登隆根-6 (KL-6) 被确定为最强的预测因子,其次是IL-6和CYFRA21-1.
- 患有ILD的患者显示KL-6 (P<0.001) 和其他炎症标志物的水平显著升高.
结论:
- 机器学习,特别是XGBoost,为早期RA-ILD预测提供了一个有前途的方法.
- 将KL-6等生物标志物整合到临床实践中,可以帮助早期检测并改善患者的治疗结果.
- 机器学习模型可以作为风险分层和RA-ILD个性化管理的宝贵工具.
