通过临床可解释的机器学习模型,改善早期检测青少年异常性关节炎中关节参与的情况
Stratos Vassis1, Lena Todnem2, Dikte Straadt2
1Section of Orthodontics, Department of Dentistry and Oral Health, Aarhus University, Vennelyst Blvd 9, Aarhus, 8000 C, Denmark. stratos.vassis@dent.au.dk.
Scientific reports
|November 7, 2025
概括
一个人工智能模型使用临床数据准确地预测青少年异常性关节炎 (JIA) 患者的关节 (TMJ) 参与. 这种工具有助于早期检测,改善JIA儿童的治疗和治疗结果.
科学领域:
- 类风湿病学 类风湿病学
- 人工智能的人工智能
- 牙面部整形外科 牙面部整形外科
背景情况:
- 青春期异常性关节炎 (JIA) 经常影响关节 (TMJ),导致牙脸部形和耳脸部症状.
- 早期发现TMJ干扰至关重要,但由于临床检查的局限性而具有挑战性.
- 延迟诊断增加了JIA患者长期并发症的风险.
研究的目的:
- 开发和验证一种人工智能 (AI) 模型,用于预测TMJ参与新的JIA诊断.
- 将AI模型的性能与专家临床医生的评估进行比较.
- 确定关键的临床特征预测TMJ参与JIA.
主要方法:
- 一个极端梯度增强 (XGBoost) 模型在1,054名JIA患者的6153次口腔面部检查数据集上进行了训练.
- 该模型利用了26个临床相关特征,包括状体翻译,面部不对称性和口腔开放能力.
- 通过对55名患者的独立队列的分类准确性和专家评估的一致性来评估表现.
主要成果:
- 人工智能模型在预测关节干扰方面取得了85.5%的整体准确性.
- 模型预测与专家临床医生的评估有显著一致性 (p < 0.001).
- 关键的预测特征包括状体翻译的减少,面部不对称,突起,口腔面部疼痛和口腔开口的限制.
结论:
- 开发的人工智能模型基于临床数据证明了TMJ参与JIA患者的强大预测能力.
- 人工智能模型有可能提高早期检测,并支持临床决策,以便及时干预.
- 早些时候识别TMJ参与可以导致改善青少年形性关节炎患者的治疗结果.
