机器学习模型的开发,用于预测多层炎的颗粒体炎的慢性疲劳
Alexandre Moura Dos Santos1, Samuel Katsuyuki Shinjo2
1Division of Rheumatology, Faculdade de Medicina da Universidade de Sao Paulo, Sao Paulo, Brazil. alexandrestos@usp.br.
Advances in rheumatology (London, England)
|October 10, 2025
概括
机器学习模型有效地预测了多层炎 (GPA) 患者的粒状瘤性慢性疲劳. 基于树的算法,特别是随机森林,显示出早期疲劳识别的前景,有助于资源有限的设置.
科学领域:
- 类风湿病学 类风湿病学
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 慢性疲劳显著影响了与多炎 (GPA) 相关的颗粒瘤病患者的生活质量.
- 目前在GPA中对疲劳的诊断方法通常是漫长的,需要专家的投入.
- 这项研究解决了对高效疲劳预测工具的需求,特别是在服务不足的地区.
研究的目的:
- 开发和评估机器学习模型,利用临床数据预测GPA患者的慢性疲劳.
- 在这个人群中确定慢性疲劳的关键临床预测因素.
- 提高GPA中慢性疲劳的诊断能力,特别是在专家访问有限的地方.
主要方法:
- 一项横截面研究收集了关于疲劳 (MFIS),功能 (HAQ),疾病活动 (BVAS),并发症,药物,体力活动 (IPAQ-SF) 和人口统计数据的数据.
- 四个机器学习算法 (逻辑回归,决策树,随机森林,极端梯度提升) 被训练和测试 (分成70/30).
- 用AUC,准确度,F1得分,回忆和精度来评估模型性能.
主要成果:
- 分析了45名GPA患者,20人报告显著疲劳 (MFIS ≥38).
- 疲劳的患者表现出更高的急性阶段反应剂和普得尼松使用 (P < 0.05).
- 基于树的模型,包括随机森林,实现了约0.80的AUC,超过了其他算法.
结论:
- 基于树的机器学习模型在GPA中表现出强大的慢性疲劳预测性能.
- 随机森林模型确定了更高的残疾 (HAQ),更老的年龄和更长的疾病持续时间作为关键预测因素.
- 机器学习为GPA中疲劳识别提供了一个有前途的临床工具,特别是在资源有限的环境中.
