开发和验证可解释的机器学习模型,用于预测类风湿性关节炎患者的低肌肉质量:一项多中心研究
Feiyue Zhou1, Bin Zhou2, Yuan Qu1
1First College of Clinical Medicine, Shandong University of Traditional Chinese Medicine, Jinan, China.
Frontiers in medicine
|December 5, 2025
概括
我们开发了一种机器学习模型,使用临床数据预测类风湿性关节炎患者的低肌肉质量. 这种工具有助于早期发现和干预肉类症.
科学领域:
- 类风湿病学 类风湿病学
- 老年学是一门学科.
- 生物医学信息学 生物医学信息学
背景情况:
- 类风湿性关节炎 (RA) 患者有增加的萨尔科佩尼亚风险,其特点是肌肉质量低.
- 早期识别RA的肉类症对于及时干预和改善患者的治疗结果至关重要.
- 目前用于诊断肉类的诊断方法可能是繁重和低效的.
研究的目的:
- 开发和验证一种可解释的机器学习 (ML) 模型,用于预测RA患者的低肌肉质量.
- 为了确定关键的临床指标,与高风险的麻症在RA.
- 创建一个易于使用的风险评估工具,以支持临床决策.
主要方法:
- 分析了来自NHANES和SHUTCM数据库的1,260名RA患者的数据.
- 开发和比较八个ML模型,包括组合方法.
- 使用AUC,精度,F1得分,精度,回忆和Brier得分损失来评估模型性能.
- 使用SHapley添加式扩展 (SHAP) 进行特征重要性分析.
主要成果:
- 一个加权的整体ML模型获得了最高的性能 (AUC=0.921),优于单个模型.
- 该模型表现出良好的校准和临床实用性,测试组的AUC为0.848.
- 低肌肉质量的关键预测因素包括BMI,白蛋白,血红蛋白,年龄和肌素.
- 开发和部署了一种在线风险预测计算器.
结论:
- 一个可解释的ML模型可以有效地识别具有低肌肉质量的高风险的RA患者.
- 开发的模型是临床医生有价值的决策支持工具.
- 这种方法有助于有针对性的查,并提高了RA患者的肉症诊断的效率.
