基于常规临床参数的机器学习模型的应用,用于诊断与骨质疏松症相关的类风湿性关节炎:一项回顾性研究
Zhe Wu1, Zhaohui Li1, Weifeng Li1
1Orthopedics, Fujian Medical University Union Hospital, Fuzhou, China.
PeerJ
|March 4, 2026
概括
机器学习模型可以使用常规数据预测类风湿性关节炎患者的骨质疏松症. 这种方法为评估骨质疏松风险提供了切实可行的替代方案,当高级成像无法使用时.
科学领域:
- 类风湿病学 类风湿病学
- 医疗信息学 医疗信息学
- 生物统计学 生物统计学
背景情况:
- 类风湿性关节炎 (RA) 经常导致二次骨质疏松症 (OP),影响高达80%的患者.
- 双能X射线吸收计 (DEXA) 是OP诊断的标准,但缺乏可访问性.
- 需要替代的,可访问的方法来识别RA患者的骨质疏松症.
研究的目的:
- 开发和评估机器学习 (ML) 模型,用于识别类风湿性关节炎患者的骨质疏松症.
- 用人口统计和常规实验室数据评估各种ML分类器的性能.
- 确定导致RA骨质疏松症预测的关键临床因素.
主要方法:
- 一项回顾性队列研究,涉及396名住院的RA患者.
- 开发和评估五个ML分类器,包括软投票组合.
- 利用人口统计数据和常规实验室标记器进行模型培训.
- 为了模型的可解释性,使用了夏普利添加式扩展 (SHAP) 分析.
主要成果:
- 支持向量机 (SVM) 模型实现了最高的曲线下面积 (AUC) 86.5%.
- 随机森林分类器显示了最高的准确性 (81.5%),而组合模型显示了平衡的性能 (AUC 83.2%,准确性 81.1%).
- 通过SHAP分析确定的关键预测因素包括年龄,性别和BMI,炎症标志物和白蛋白显示适度的影响.
结论:
- 使用常规临床数据的机器学习模型为RA患者的骨质疏松风险初步评估提供了实用和可解释的方法.
- 这些模型可以在DEXA不易获得的环境中作为有价值的工具.
- 由于这项研究的探索性和单中心设计,建议在更大的多中心研究中进一步验证.
