使用机器学习识别初级保健中早期检测类风湿性关节炎的关键因素
Fatemeh Rahimi1, Elham Rajaei2, Noushin Movafagh3
1Department of Health Information Technology, School of Allied Medical Sciences, Ahvaz Jundishapur University of Medical Sciences, Ahvaz, Iran.
Scientific reports
|January 12, 2026
概括
早期检测类风湿性关节炎 (RA) 是至关重要的. 关键的查因素,如Anti-CCP,关节计数和疲劳,可以帮助识别有风险的个体,以便及时转诊专家.
科学领域:
- 类风湿病学 类风湿病学
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
背景情况:
- 类风湿性关节炎 (RA) 是一种慢性炎症状况,导致关节不可逆转的损伤.
- 早期诊断和干预对于管理RA和预防长期残疾至关重要.
- 初级保健机构在及时进行RA查和转诊专家方面面临挑战.
研究的目的:
- 确定查风险关节炎患者的关键因素.
- 通过确定初级保健中的关键早期指标,减少诊断延迟.
- 开发和验证用于RA风险评估的机器学习模型.
主要方法:
- 分析和应用研究涉及377名患者在风湿病中心.
- 通过关于症状,人口统计和初始实验室标记的问卷收集数据.
- 开发和评估五个机器学习模型,包括CatBoost,使用5倍嵌套交叉验证和SHAP分析.
主要成果:
- CatBoost 模型表现出高性能 (AUC-ROC=0.966,准确度=0.947,F1-Score=0.951) 的研究结果.
- 通过SHAP分析发现的显著预测特征包括抗CCP,柔软关节数,胀关节数,胃肠道问题,疲劳,年龄,类风湿因子 (RF) 和听力问题.
- 反CCP,柔软的关节数和胀的关节数被强调为主要的查因素.
结论:
- 通过使用特定的临床和实验室标志物,可以早期识别RA.
- 机器学习模型,特别是CatBoost,显示出准确预测RA风险的前景.
- 将关键查因素 (如抗CCP,关节计数和疲劳) 整合到初级保健中可以改善早期RA检测和专家转诊.
