在骨关节炎倡议 (OAI) 的患者中,使用机器学习引导的方法预测膝关节骨关节炎的全膝关节置换

科学领域:

• 整形外科 整形外科 整形外科
• 生物统计学 生物统计学
• 遗传学 遗传学 是一个

背景情况:

• 膝关节关节炎 (OA) 是导致残疾的主要原因.
• 全膝关节置换 (TKR) 是一种常见的手术,用于晚期膝关节OA.
• 准确预测TKR对于患者管理和资源分配至关重要.

研究的目的:

• 开发一个务实的,非成像模型,用于预测膝盖OA患者的TKR.
• 利用机器学习 (ML) 来从临床,遗传和生活方式数据中进行特征选择.
• 评估开发模型的预测性能和临床实用性.

主要方法:

• 对来自骨关节炎倡议的3790名参与者的分析.
• 嵌套的ML特征选择以识别15个信息变量.
• 使用选定特征开发一个多变量后勤回归模型.
• 使用歧视 (AUC) 和校准 (Brier分数) 评估模型性能.
• 评估遗传数据的增量价值 (多基因风险评分 - PRS).

主要成果:

• 最终的物流模型在可接受的校准下达到0.765的AUC (95%CI 0.736-0.793).
• 在不同疾病阶段 (KL等级) 中,模型性能强大.
• 多基因风险评分 (PRS) 在特异性方面提供了适度但统计学上显著的收益.

结论:

• 一个务实的,非成像的ML-informed模型有效地预测了膝盖OA中的TKR.
• 该模型利用常规收集的临床,遗传和生活方式数据.
• 这种方法可以实现个性化的风险分层和决策支持,而不需要成像.