利用机器学习揭示类风湿性关节炎中疾病活动与残疾之间的共同关联模式

《Clinical Rheumatology》：Using machine learning to uncover joint involvement patterns linked to disease activity and disability in rheumatoid arthritis

　　

摘要

背景

类风湿性关节炎（RA）是一种慢性炎症性疾病，其特征是关节疼痛和进行性损伤，导致残疾并带来重大的社会经济负担。鉴于人们对数据驱动医疗保健的兴趣日益增加，本研究应用了机器学习（ML）技术来识别与RA患者疾病活动度更高和功能损害更严重的关节受累模式。

方法

在这项横断面研究中，对936名RA患者进行了评估，使用了人口统计学和临床数据，以及详细的关节检查，包括压痛、肿胀和活动受限情况。评估了多种ML模型，包括随机森林（random forest）、极端梯度提升（XGB）、k最近邻（k-nearest neighbors）、CatBoost（CAT）和LightGBM，以预测疾病严重程度和残疾情况。疾病活动度和残疾情况分别通过基于28个关节的疾病活动评分（DAS28）和健康评估问卷残疾指数（HAQ-DI）来衡量。

结果

在残疾预测方面，XGB模型的表现最好（F1分数为0.60；AUC为0.85），而CAT模型在疾病活动度分类方面的表现最高（F1分数为0.63；AUC为0.81）。与较高残疾程度相关的关键关节包括膝关节、腕关节、肩锁关节和多个手关节。相比之下，高疾病活动度主要与膝关节和小手关节的压痛及肿胀有关。

结论

总体而言，膝关节、腕关节、肩关节和小手关节的受累与功能障碍有关，而疾病活动度主要体现在膝关节和手关节的受累上。这些发现强调了识别特定关节受累模式对于改善RA临床评估和指导治疗策略的重要性。

要点 • 本研究是首次应用机器学习全面评估类风湿性关节炎中特定关节的受累模式及其与功能障碍和疾病活动度的关联。 • 大关节，特别是膝关节、腕关节和肩关节，被认为是导致显著功能障碍的最强决定因素，同时小手关节也参与了握力和精细运动功能。 • 高疾病活动度主要由小手关节（尤其是MCP和PIP关节）驱动，膝关节、腕关节和肩锁关节等部分大关节也有所贡献。 • 这些发现突显了详细关节水平评估的临床价值，超越了传统的综合评分，支持更针对性和个性化的类风湿性关节炎管理策略。