如果您对骨科疾病生信临床研究感兴趣，请为小骨点点关注，持续解读骨科前沿生信文献和思路。如果您需要定制化服务，欢迎扫码联系小骨~
文章标题：Identification of a machine learning-based diagnostic model for axial spondyloarthritis in rheumatological routine care using a random forest approach
中文标题：使用随机森林方法在风湿病常规护理中识别基于机器学习的中轴型脊柱关节炎诊断模型
发表期刊：RMD Open
发表时间：2024年11月
影响因子：5.1/Q1
研究目的
在中轴型脊柱关节炎（axSpA）中，早期诊断是至关重要的，但axSpA诊断延迟多年是常见的，这些延迟阻碍了早期治疗，而早期治疗对于减轻疾病负担和提高健康相关生活质量至关重要。。本研究旨在根据常规护理的临床数据，确定一种诊断模型，以区分患有axSpA的患者和没有axSpA的慢性背痛患者。
研究方法
首先，收集慢性背痛患者的临床数据及基于临床指征的风湿病检查信息，以7∶3的比例将数据集随机分为训练集和测试集。其次，基于axSpA专业经验丰富的风湿病学家在日常实践中应用的诊断方法，结合临床、实验室和成像特征，通过随机森林（RF）算法建立了基于机器学习的模型来区分axSpA和非axSpA，计算测试集的总体准确率、灵敏度、特异度和受试者工作特征曲线下面积（ROC-AUC）。最后，评估每个特征对区分axSpA和非axSpA的诊断模型的准确性的贡献。
研究结果
1.研究参与者的特征
纳入939例慢性背痛患者的数据，其中659例（70%）患有axSpA， 280例（30%）非axSpA。与非axSpA患者相比，axSpA患者通常为男性、中位年龄较高、中位症状持续时间较长，HLA-B27阳性比例更高，CRP更高；除了因背痛在后半夜醒来外，axSpA患者的炎性背痛特征和影像学表现比非axSpA患者更常见。将患者分为axSpA或非axSpA的诊断模型，使用表1中所有特征作为随机森林算法的输入变量进行训练，由于部分数据缺失故将症状持续时间排除在外，其余变量的完整数据来自701例患者，包括485例（69%）axSpA患者和216例（31%）无axSpA患者，这些患者的特征与939例患者的总体特征相当；在701例患者中，通过分层随机抽样
将整个数据集分为两部分，492例患者被纳入训练数据，209例患者被纳入测试数据。基于测试数据，机器学习模型准确率为0.9234，灵敏度为0.9586，特异性为0.8438，F1评分为0.9456，ROC-AUC为0.9717；在测试数据中，ASAS算法的准确率为0.8086，灵敏度为0.8276，特异性为0.7656，F1评分为0.8571；机器学习模型在所有指标上都优于ASAS算法。3.每个变量对机器学习模型准确性的贡献
通过平均降低精度（MDA）评估每个变量在区分axSpA和非axSpA时对模型精度的贡献，结果显示，HLA-B27排名最高（0.055），不使用HLA-B27对模型准确性影响最大，其次是潜伏性腰痛（0.038）和骶髂关节（SIJ）的MRI侵蚀（0.037）。文章小结
该研究提供了一个基于机器学习的模型，基于三级风湿病实践的信息，该模型在诊断患有中轴型脊柱关节炎（axSpA）的慢性背痛患者与无axSpA的慢性背痛患者相比具有较高的性能。在日常生活中，该模型有可能改善axSpA患者的诊断延迟。如果您对生信分析和公共数据库挖掘感兴趣，但时间和精力有限或者缺乏相关经验，小骨非常乐意为您提供如下服务：免费思路评估、付费方案设计和生信分析等，有意向的老师欢迎联系小骨哦！
