基于机器学习的预测PASI100对牛皮患者sequukinumab的反应:使用SHAP可解释性分析的现实研究

科学领域:

• 皮肤病学 皮肤病学
• 生物统计学 生物统计学
• 机器学习 机器学习

背景情况:

• 塞库金努马布有效治疗中度至重度的斑块性牛皮.
• 实现完全的皮肤清除 (PASI 100) 是主要的治疗目标.
• 对于PASI 100对secukinumab反应的预测工具目前在现实应用中是有限的.

研究的目的:

• 开发和验证机器学习模型,用于预测PASI 100对secukinumab的反应.
• 确定斑块牛皮的患者皮肤完全清除的关键预测因素.
• 支持个性化治疗目标设定和患者选择.

主要方法:

• 对11134名患者的回顾性分析,这些患者接受了三个月的secukinumab治疗.
• 数据分为培训 (70%) 和测试 (30%) 集.
• 使用LASSO回归的特征选择和使用八个机器学习算法 (随机森林,LightGBM,物流回归) 的模型开发.
• 使用ROC曲线下的面积 (AUC) 进行性能评估,并通过夏普利添加式扩展 (SHAP) 进行解释.

主要成果:

• 41.25%的患者实现了PASI 100的反应.
• 拉索回归确定了性别,基线IGA (bIGA),基线BSA (bBSA),基线PASI (bPASI) 和基线DLQI (bDLQI) 作为关键预测因素.
• 随机森林 (AUC=0.757) 和轻GBM (AUC=0.761) 在测试组中显示出最好的预测性能.
• SHAP分析证实了基线疾病严重性指标和性别作为重要预测因素.

结论:

• 开发的随机森林和轻GBM模型准确地预测PASI 100对secukinumab的反应.
• 基线疾病严重程度是影响完整皮肤清除的最关键因素.
• 这些发现为临床实践中的个性化治疗策略和患者选择提供了证据.