基于共识的MRI骨关节炎定义联合放射学骨关节炎对膝骨关节炎进展的预测效度:一项纵向队列研究
该研究基于塔斯马尼亚老年成人队列574名参与者,比较LightGBM机器学习模型与联合MRI-OA、ROA及常见协变量的逻辑回归模型对膝骨关节炎进展的预测效度。LightGBM对膝痛和功能结局的AUC为0.731–0.912,优于逻辑回归的0.627–0.755;对胫骨软骨丢失2.6年和10.7年的AUC均为0.845,优于逻辑回归的0.701和0.753;但两种算法对全膝关节置换的预测均较差(AUC-PR 0.647 vs 0.610)。
要点
- LightGBM对膝痛和功能结局的预测AUC为0.731–0.912,优于逻辑回归的0.627–0.755。
- LightGBM对胫骨软骨丢失2.6年和10.7年的AUC均为0.845,显著优于逻辑回归的0.701和0.753。
- 全膝关节置换结局存在显著类别不平衡,LightGBM和逻辑回归的AUC-PR分别为0.647和0.610,预测效度均较差。
核心结论
- 与联合MRI-OA、ROA及常见协变量的逻辑回归相比,LightGBM可为早期风险识别和针对性预防策略提供有价值的信息。
研究设计与样本
- 纵向前瞻性观察性队列研究,数据来自塔斯马尼亚老年成人队列(TASOAC),纳入574名具备基线MRI-OA和ROA评估数据的参与者,平均年龄62岁,女性占49%。
- 基线使用1.5T全身磁共振设备(Picker, Cleveland, Ohio, USA)行右膝MRI,2.6年随访时该设备仅用于60%(345/574)参与者,10.7年随访时使用另一台1.5T全身MRI设备(Siemens, Espree, Pennsylvania, USA)用于66%(377/574)参与者。
- 基线右膝站立前后位半屈曲位X线片评估骨赘和关节间隙狭窄,按OARSI图谱0–3级评分,观察者内ICC为0.65–0.85。
- MRI-OA定义采用Delphi方法:明确骨赘和全层软骨丢失,或二者之一合并以下至少两项:a)非半月板或韧带附着处的软骨下骨髓病变或囊肿;b)半月板半脱位、浸渍或退行性(水平)撕裂;c)部分层软骨丢失。
- ROA定义为内侧或外侧间室满足以下任一条件:a)JSN 2级;b)骨赘总评分2;c)1级JSN伴1级骨赘。
关键影像表现/征象
- LightGBM模型中,基线WOMAC疼痛和功能评分、体力活动、身高、体重、胫骨软骨体积和ROI-1内侧软骨下骨密度对预测膝痛和功能症状的发生与进展起重要作用。
- 预测2.6年胫骨软骨丢失的前五位重要特征为基线胫骨软骨体积、体重、ROI-2外侧和内侧软骨下骨密度、ROI-1内侧软骨下骨密度;预测10.7年胫骨软骨丢失的前五位为基线胫骨软骨体积、年龄、体重、BMLs和体力活动。
- 在LightGBM模型中,JSN是预测全膝关节置换风险的主要特征,其次是基线BMLs和软骨缺损;WOMAC疼痛和功能评分及骨赘在模型中重要性不高。
诊断标准与关键数值
- 模型预测性能在保留测试集上评估,AUC >0.7视为临床可接受。
- 膝痛和功能结局:LightGBM的AUC为0.731–0.912,逻辑回归为0.627–0.755。
- 胫骨软骨丢失≥1%/年:2.6年LightGBM AUC 0.845 vs 逻辑回归0.701(p<0.001);10.7年LightGBM AUC 0.845 vs 逻辑回归0.753(p=0.016)。
- 全膝关节置换:LightGBM AUC-PR 0.647 vs 逻辑回归0.610。
- 膝痛进展定义为WOMAC疼痛评分增加≥1;功能残疾进展定义为WOMAC功能评分增加≥3;胫骨软骨丢失进展定义为≥1%/年。
临床应用与阅片要点
- LightGBM模型对膝痛、功能残疾和胫骨软骨丢失等大多数结局显示临床可接受的预测性能(AUC >0.7),作者认为其可用于临床实践中的早期筛查。
- 对全膝关节置换这一显著不平衡结局,LightGBM和逻辑回归的AUC-PR分别为0.647和0.610,预测效度均较差。
- 作者指出,预测模型的不利结果可作为激励患者和临床医生积极实施推荐疗法(如运动和体重控制)的有价值契机。
局限性
- 全膝关节置换结局存在显著类别不平衡(仅3%病例),LightGBM和逻辑回归的AUC-PR分别为0.647和0.610,预测效度均较差。
- LightGBM模型并非所有指标均表现良好,例如PPV、F1和AUC-PR相对较低。
- 2.6年随访时仅60%(345/574)参与者使用原1.5T MRI设备,10.7年随访时66%(377/574)参与者使用另一台1.5T MRI设备,主要因失访或其他原因。
- 股骨软骨体积因配对阅读(基线和10.7年)中未测量而未纳入结局指标,仅胫骨软骨体积作为结局指标。
全文中译15 节 · 点击展开
引言
膝骨关节炎(OA)是一种常见的关节疾病,以膝关节疼痛、功能障碍、残疾以及关节软骨退变为特征。OA的早期诊断对于启动及时干预至关重要,从而减缓疾病进程的进展轨迹[1]。OA的形态学评估高度依赖X线摄影,其敏感性有限且在早期阶段不表现出来[2]。磁共振成像(MRI)被认为是筛查早期OA的有前景的工具,因为它能够直接可视化许多先于X线异常出现的软组织改变。然而,将复杂的MRI检测到的结构改变纳入早期OA的定义和疾病进展预测是困难的。
2011年,国际骨关节炎研究学会(OARSI)OA影像工作组使用德尔菲法制定了结构性OA的MRI定义(MRI-OA)[3]。这是整合MRI特征以定义早期OA的重要尝试。最近一项横断面研究比较了MRI-OA定义与不同MRI特征组合的表现,后者包括在软骨损伤(评分≥2)和骨赘之外,还存在骨髓病变(BMLs)或滑膜炎,使用全器官MRI评分系统[4]。他们发现,与简单的MRI特征组合相比,MRI-OA在识别流行性X线OA(ROA)和症状性OA方面表现出相似的性能,但应用更为复杂[4]。在我们之前的研究中,我们比较了MRI-OA与传统ROA对OA进展的预测效度[5]。结果表明,单独MRI-OA在预测结构性或症状性OA进展方面均未优于ROA。然而,MRI-OA与ROA的组合显示出显著增强的预测效度[5]。这些发现表明,MRI特征可为定义OA和预测其随时间进展提供有价值的见解;然而,可能只有有限数量的MRI特征有助于这一过程,使得数据驱动方法在识别和整合这些特定特征方面具有优势。
机器学习(ML)是破译OA等复杂疾病的有力工具[6,7]。虽然ML算法已被应用于开发OA进展的预测模型[8,9],但很少有研究同时将MRI特征与人口学和临床因素相结合[10]。此外,现有研究大多在欧洲和美国人群中进行,且随访时间相对较短[[6], [7], [8]]。因此,利用来自澳大利亚一个10.7年纵向队列的数据,我们的研究旨在比较传统模型与ML模型对预测膝OA随时间进展的预测效度。
方法
数据来源
本研究按照个体预后或诊断多变量预测模型的透明报告(TRIPOD)声明[11]进行报告。本研究的数据来源是塔斯马尼亚老年人队列(TASOAC),这是一项涉及社区居住老年人的纵向、前瞻性观察性研究。2002年3月至2004年9月期间,从南塔斯马尼亚(人口229,000)选民名册中随机选取1904名老年人中的1099人纳入该队列,应答率为57%。随后,以2.6年、5.1年和10.7年的间隔进行了三次随访评估。在本研究中,纳入了574名在基线时具有足够数据进行MRI-OA和ROA评估的参与者(见补充图1中的流程图)。伦理批准获自南塔斯马尼亚健康与医学人类研究伦理委员会,所有参与者均提供了书面知情同意。
预测因素
所有预测因素均根据既往文献结合我们的研究经验,基于其与OA进展的潜在关联进行选择。基线时使用1.5T全身磁共振设备(Picker,Cleveland,Ohio,USA)对右膝进行MRI扫描。然而,在2.6年时,由于该机器在随访期间中途退役,仅60%(574人中的345人)的参与者使用了该机器。在10.7年随访时,主要由于失访或其他原因,66%(574人中的377人)的参与者使用了另一台1.5T全身MRI设备(Siemens,Espree,Pennsylvania,USA)。两台MRI设备均使用了商用收发肢体线圈。矢状面图像序列和技术参数的详细描述先前已提供[5]。测量的MRI特征包括骨赘、软骨病变、半月板病变、积液-滑膜炎和软骨下骨髓病变(BML)(详情见补充文本)。根据德尔菲法[3],MRI-OA的定义为:存在边界清晰的骨赘和全层软骨缺失,或其中任一特征合并以下至少两项:a)与半月板或韧带附着无关的软骨下骨髓病变(BML)或囊肿;b)半月板半脱位、浸渍或退变性(水平)撕裂;c)部分层软骨缺失。
基线时以站立前后位半屈曲位对右膝进行放射学评估。根据OARSI图谱[12],检查内侧和外侧间室的骨赘和关节间隙狭窄(JSN),并按0–3分评分。观察者内信度经组内相关系数(ICC)评估,范围为0.65至0.85[13]。若内侧或外侧间室满足以下任一标准,即判定为ROA:a)JSN 2级;b)骨赘总评分2级;或c)1级JSN伴有1级骨赘[14]。
人口学、人体测量学和生活方式相关数据包括基线时的年龄、性别和体重指数(BMI,kg/m2)、就业状况、膝关节手术和损伤史、膝关节症状、吸烟状况(既往吸烟、当前吸烟或从不吸烟)、身体活动(步/天)、社会经济状况、止痛药物以及合并症(详情见补充文本和补充表1)。
结局指标
以下结局被用作骨关节炎(OA)发病和进展的测量指标:1)2.6年、5.1年和10.7年时新发膝关节疼痛/功能障碍(在基线时无膝关节疼痛/功能障碍的参与者中);2)2.6年、5.1年和10.7年时膝关节疼痛/功能障碍的进展(在基线时存在任何膝关节疼痛/功能障碍的参与者中);3)13.5年内全膝关节置换术(TKR)的风险;以及4)2.6年和10.7年内胫骨软骨体积年丢失1%的风险。
膝关节疼痛和功能障碍在基线、2.6年、5.1年和10.7年时使用西安大略和麦克马斯特大学骨关节炎指数(WOMAC)疼痛和功能子量表进行测量。WOMAC包括5个膝关节疼痛条目和17个功能条目,每个条目评分0至9分。由此得出膝关节疼痛子量表评分范围为0–45分,功能障碍子量表评分范围为0–153分,评分越高表示严重程度越高。参与者根据基线时是否存在膝关节疼痛(WOMAC疼痛评分≥1)进行分类。膝关节疼痛的发生定义为基线时无疼痛者在随访期间出现膝关节疼痛(WOMAC疼痛评分≥1)。该人群的最小临床重要差异经计算为0.9,对应于基线疼痛平均水平12%的变化[15,16]。因此,我们将膝关节疼痛的进展定义为WOMAC疼痛评分任何≥1的升高。该方法同样用于通过WOMAC功能子量表定义功能障碍的缺失、发生和进展,其中功能进展定义为WOMAC功能评分任何≥3的升高。
TKR数据取自澳大利亚骨科协会国家关节置换登记处(AOANJRR),时间范围为2002年3月1日至2016年9月21日[17]。在本研究中,所有因OA进行的右侧TKR手术均被纳入考虑。
在基线和2.6年时,通过T1加权MRI扫描对胫骨和股骨区域的软骨体积(mm3)进行了量化,评估以对时间顺序和参与者身份均设盲的方式进行[18]。此外,在377名(65.7%)同时具有基线和10.7年MRI数据的参与者中,进行了一项全面的胫骨软骨体积新配对评估,时间顺序对读者公开。单个软骨板的体积,包括内侧和外侧间室的体积,通过逐层手动勾画软骨边界周围的分离轮廓从总体积中 delineated。随后,数据采用双线性和三次插值方法进行重采样,生成面积为312×312 mm、厚度为1.5 mm的连续层面,用于最终的三维渲染。变异系数在2.1%–2.2%范围内[18]。股骨软骨体积未纳入我们的研究,因为配对阅读(基线和10.7年)中未进行测量,但先前的研究已证明股骨和胫骨软骨体积的纵向变化具有显著相关性[17]。在本研究中,仅胫骨软骨体积被用作结局指标,基线时的股骨软骨体积被用作机器学习模型中的预测因子。对于非配对(基线和2.6年)和配对(基线和10.7年)测量,胫骨软骨体积的年百分比变化(%/年)计算如下:100×[(随访体积-基线体积)/基线体积]/两次扫描间隔年数。虽然软骨损失的精确最小临床重要差异尚未确定,但值得注意的是,软骨损失与膝关节置换风险增加相关。值得注意的是,每年软骨损失增加1%与4年内膝关节置换手术风险增加20%相关[19]。因此,我们将进展性和非进展性OA分别定义为软骨体积损失≥和<1%/年。
统计分析
参与者的基线特征采用连续变量的均值±标准差(SD)和分类变量的n(%)进行描述,按是否存在MRI-OA进行分层。
对于膝痛和功能障碍的发病与进展、胫骨软骨损失≥1%/年的风险以及TKR风险,我们构建了logistic回归模型,以评估MRI-OA、ROA特征(JSN和骨赘分级,0–3级)以及常见协变量组合的预测效度,这些协变量根据既往文献和有向无环图(DAG)确定(补充图2)[5,[20], [21], [22]]。
我们使用轻量梯度提升机(LightGBM)算法构建了机器学习(ML)模型,以决策树作为基学习器[23]。LightGBM在迭代训练过程中采用弱分类器(通常为决策树)以获得最优模型。该方法具有训练结果有效且过拟合可能性最小的优势。LightGBM在训练过程中通过基于梯度的优化为特征分配重要性评分,从而执行嵌入式特征选择,我们未进行诸如lasso回归之类的单独特征选择。预测能力极低的特征自然获得较低的重要性或被有效忽略,从而减少了对显式特征选择步骤的需求。对于LightGBM模型,预测特征包括个体MRI和放射学特征(JSN和骨赘分级)、人口统计学、人体测量学以及生活方式相关数据(补充表2)。为评估所测试预测模型的预测有效性,数据集被划分为70%的训练子集和30%的测试子集。采用随机搜索和5折交叉验证来确定每个模型的最优参数和超参数。超参数调优过程中5折交叉验证的结果见补充表3。在确定最优超参数后,使用所选最优超参数在完整训练子集(数据的70%)上重新训练模型。随后在测试子集(数据的30%)上进行最终评估,以评估模型的预测性能。我们微调了若干可调参数和超参数以优化性能并适应数据不平衡(补充表4)。对于不平衡数据集,以AUC-PR作为超参数调优的主要指标以考虑类别不平衡。为进一步管理结局的不平衡,我们调整了scale_pos_weight参数,该参数修改损失函数以强调少数类。这一调整有助于模型更有效地从有限的正例中学习,而不会对多数类过拟合。
对于模型测试,我们使用了偏差校正和加速(BCa) bootstrap方法,涉及1000次bootstrap重采样。我们使用MissForest方法[24]填补缺失值,并将其纳入5折交叉验证。此外,我们对分类变量使用了独热编码。所有预处理决策(缩放、特征选择、缺失值填补)仅基于训练数据做出。进行机器学习的流程图见图1。
对于结合MRI-OA、ROA和常见协变量的LightGBM和逻辑回归模型,在留出测试集上计算曲线下面积(AUC)、阳性预测值(PPV)、阴性预测值(NPV)、灵敏度和特异度以及准确率,以评估模型性能。对于存在显著不平衡的结局,我们采用精确率-召回率曲线下面积(AUC-PR)作为主要结果。AUC >0.7的模型被认为具有临床可接受性[25]。F1分数由精确率与召回率(灵敏度)之间的调和平衡得出,与其他表现最佳的指标一同计算,以衡量阳性预测能力。领先模型中关键预测因子的识别通过所用机器学习模型固有的变量重要性评估函数完成。逻辑回归模型与机器学习模型之间AUC的差异使用DeLong检验进行评估[26],其中p值采用Bonferroni方法进行调整以考虑多重检验。p值<0.05被视为具有统计学显著性。SHAP(SHapley Additive exPlanations)是一种博弈论方法,为模型预测提供解释,给出特征如何贡献于个体预测的详细见解。我们实施SHAP以生成关于这些模型如何做出决策的更多信息。所有分析均在Python 3.10.7(软件包scikit-learn 1.2.2.和lightgbm 3.3.5)和R 4.2.3中进行。
结果
参与者特征
在纳入的574名参与者中,159名(27.7%)患有MRI-OA。参与者特征按MRI-OA(是/否)分组展示于表1。总体而言,分别有291名(50.6%)和324名(56.4%)参与者在基线时存在膝关节疼痛和功能障碍,分别有175名(30.4%)和240名(41.8%)参与者在2.6年和10.7年间经历至少1%/年的胫骨软骨体积丢失。预测因子中缺失数据的汇总信息见补充表2。在随访期间,基线时无膝关节疼痛和功能障碍的参与者中,分别有19.1%–19.9%和20.0%–23.5%发生膝关节疼痛和功能障碍(补充表5)。在基线时存在膝关节疼痛或功能障碍的参与者中,分别有25.2%–26.2%和20.4%–26.5%出现膝关节疼痛和功能障碍加重。18名(3.14%)参与者在平均13.5年的随访期间接受了右侧全膝关节置换术(TKR)(补充表5)。
膝关节症状发生和进展的预测效度
LightGBM和逻辑回归模型预测2.6年、5.1年和10.7年间膝关节疼痛和功能障碍发生与进展的AUC分别为0.731–0.912和0.627–0.755(图2、图3和表2)。总体而言,LightGBM模型对所有膝关节症状结局指标的预测效度均强于逻辑回归模型,尽管经Bonferroni校正后大多数AUC比较未达到统计学显著性(表2)。
LightGBM 模型用于预测膝关节症状发生和进展的前十位特征见补充图 3–4。总体而言,基线时的 WOMAC 疼痛和功能评分、身体活动、身高、体重、胫骨软骨体积以及感兴趣区-1(ROI-1)的内侧软骨下骨密度(BMD)在预测膝关节症状的发生和进展中发挥了重要作用。模型预测的 SHAP 解释见补充图 5–6。
对胫骨软骨丢失的预测效度
LightGBM 模型对 2.6 年(AUC 0.845 对 0.701,< 0.001)和 10.7 年(AUC 0.845 对 0.753,= 0.016)胫骨软骨丢失的预测性能显著优于逻辑回归模型(表 2,图 4(A-B))。此外,基线时胫骨软骨体积、体重、ROI-2 的外侧和内侧软骨下 BMD 以及 ROI-1 的内侧软骨下 BMD 是预测 2.6 年胫骨软骨丢失的前五位重要特征,而胫骨软骨体积、年龄、体重、骨髓病变(BMLs)和身体活动是预测 10.7 年胫骨软骨丢失的重要特征(补充图 7)。补充图 8 展示了基于 SHAP 的模型预测解释。
对 TKR 的预测效度
TKR 显示出显著的不平衡,因为仅识别出 3 %的病例,对此 LightGBM 和逻辑回归模型的 AUC-PR 均显示出相对较低的预测效度(0.647 对 0.610),表 2 和图 4(C))。
在 LightGBM 模型中,JSN 是预测 TKR 风险的主要因素,其次是基线时的 BMLs 和软骨缺损(补充图 7)。WOMAC 疼痛和功能评分以及骨赘在 LightGBM 模型中未显示出很大重要性。模型预测使用 SHAP 值进行解释,如补充图 8 所示。
讨论
利用来自社区居住老年人队列的数据,我们比较了LightGBM算法与结合MRI-OA德尔菲定义、ROA和常见协变量的logistic回归模型对膝痛和功能的发病与进展、胫骨软骨丢失以及TKR风险的预测效度。总体而言,LightGBM对大多数结局显示出临床上可接受的预测性能(AUC >0.7)。然而,基于AUC-PR,LightGBM和logistic回归模型对TKR风险的预测效度均较差,提示LightGBM对不平衡结局的有效性有限。与结合MRI-OA、ROA和常见协变量的传统logistic回归模型相比,LightGBM不仅在预测2.6年、5.1年和10.7年间膝痛和功能的发病与进展方面表现更好,而且在预测2.6年和10.7年间胫骨软骨体积的临床重要减少(即≥1%/年)方面也表现更好,尽管并非LightGBM模型的所有指标都表现良好(例如PPV、F1和AUC-PR相对较低)。总体而言,这些发现提示基于机器学习的数据驱动方法可为早期风险识别和针对性预防策略提供有价值的见解。
膝OA进展的预测因该疾病的异质性和多因素特征而面临挑战。近期一项系统综述表明,结合结构和临床因素对预测膝OA的影像学进展具有重要意义[27]。我们既往的研究也表明,将MRI-OA与ROA结合对预测膝OA的结构性和症状性进展具有显著更强的效力[5]。然而,用于构建预测模型的因素通常源自流行病学证据中其可能在OA进展中发挥作用,而其他协变量的效应可能不明确且未被纳入预测模型。相比之下,机器学习模型根据现有知识纳入尽可能多的与目标结局相关或不相关的因素。虽然logistic回归模型可能更具可解释性并能提供对明确确立的危险因素的见解,但机器学习模型具有可能发现新的和较少被探索的预测因素的优势。总体而言,我们的发现提示LightGBM模型在预测KOA进展方面具有很大潜力,并可很好地适用于临床实践中的早期筛查。
在本研究中,我们发现LightGBM在预测2.6–10.7年间膝痛和功能性残疾的发生与进展方面优于传统逻辑回归模型。在最近的一项研究中,结合深度学习(机器学习的一个子集)的传统OA风险评估模型对4年间膝痛的进展显示出良好的预测效度(AUC:0.81)[28]。近期,Lin等[29]介绍了一种基于MRI衍生影像组学的动态列线图,用于预测KOA个体在两年期间膝痛的改善情况。Loos等[30]采用机器学习方法预测拇指腕掌关节OA术后功能和疼痛结局。这些研究表明,对于膝关节症状,机器学习模型在筛查高危个体方面具有巨大潜力,并可能应用于临床实践。在膝OA患者指南实施欠佳的背景下[31],预测模型的不利结果可以作为患者和临床医生主动实施推荐疗法(如运动和体重控制)的有价值激励[32,33]。
对于2.6年和10.7年间的胫骨软骨体积丢失(≥或<1%/年),LightGBM模型在两个时间间隔均显示出相似的预测效度(AUC:0.845和0.845),且显著优于逻辑回归模型(AUC:0.701和0.753)。在LightGBM中,我们发现基线胫骨软骨体积正如预期的那样是2.6年和10.7年间软骨丢失的关键预测因子,其次在两个时间间隔均为体重,提示机械负荷对膝OA结构进展具有关键影响。有趣的是,软骨下骨密度(BMD)和骨髓病变(BMLs)分别预测了2.6年和10.7年间的胫骨软骨丢失,进一步支持软骨下骨异常在膝OA短期和长期进展中发挥重要作用。年龄和体力活动(即>1000步/天)预测了10.7年间的胫骨软骨丢失。我们此前已表明,10.7年间胫骨软骨丢失随年龄增长而增加[34]。然而,研究体力活动对软骨丢失影响的研究产生了相互矛盾的结果[[35], [36], [37]]。在本研究中,尽管LightGBM模型显示体力活动是10.7年间胫骨软骨丢失的重要预测因子,但我们无法确定其是加速还是减缓了该过程。
LightGBM在全膝关节置换术(TKR)风险方面的表现劣于逻辑回归模型,这可能是由于结局的阳性率较低。逻辑回归模型的高预测效度可能是由于模型中同时纳入了膝关节症状和放射学OA(ROA)特征,而这些已被证明是TKR的主要驱动因素[38]。与此一致的是,我们研究中的预测效度和最重要预测因子与其他基于机器学习的2–5年TKR风险预测模型相当[8,39,40]。
在本研究中,LightGBM对大多数关注结局具有中高灵敏度和特异度,但PPV和F1较低。在缺乏早期KOA既定定义的情况下[41],该预测模型仍具有一定价值,尤其对于筛查目的而言。高灵敏度使得能够在早期阶段、甚至在明显症状出现之前识别高风险个体,从而及时进行生活方式调整、治疗干预,并延缓进展为TKR等严重结局。然而,其低PPV可能导致过度诊断、不必要的治疗和医疗费用增加。因此,未来需要预测模型通过减少假阳性来提高PPV,或纳入额外的临床因素以增强其临床实用性并降低过度治疗的风险。
本研究的关键优势之一在于其基于人群的方法和广泛的长期随访期。此外,我们将LightGBM的预测效度与结合MRI-OA、ROA和常见协变量的逻辑回归模型进行了比较,后者此前已被证明对膝OA进展具有强的预测效度[5]。本研究存在若干局限性。第一,如上所述,预测效度方面的任何差异可能归因于所纳入协变量的差异。然而,本研究的主要目的并非识别关键预测因子,而是确定基于其标准实践的哪些模型能更好地预测膝OA的进展。第二,本研究的样本量适中,且缺乏在独立队列中的外部验证可能限制了我们发现的普适性。不同公共队列(如MOST和OAI)之间MRI特征测量的差异阻碍了外部数据的纳入。尽管如此,我们通过交叉验证采用了严格的内部验证以降低过拟合风险并提供可靠的性能估计。这些方法在预测建模文献中被广泛认为是模型性能的稳健指标,尤其是在无法获得具有可比特征和随访的外部数据集时。未来需要进行外部验证以进一步增强我们发现的普适性。第三,我们仅评估了一种机器学习方法(LightGBM),并将其预测效度与传统逻辑回归模型进行了比较。然而,此前一项研究表明,机器学习方法性能相似,且LightGBM在预测TKR风险方面具有最高准确度[8]。
总之,与结合MRI-OA的Delphi定义、ROA和常见协变量的逻辑回归模型相比,纳入个体特征的LightGBM模型可提供有价值的见解,有助于早期风险识别和针对性预防策略的制定。
贡献者
保证人(GC)可完全获取研究中的所有数据,并对数据的完整性和数据分析的准确性承担责任。GC构思、发起并监督了该项目。XX和GC清理并分析了数据。所有作者均参与了结果的解读以及手稿的撰写和修订。所有作者均对提交版本的最终批准。通讯作者证明所有列出的作者均符合作者资格标准,且未遗漏任何符合标准的人员。
伦理批准
南塔斯马尼亚健康与医学人类研究伦理委员会。
数据可用性声明
支持本研究结果的数据可应合理要求向通讯作者索取。本研究中的所有代码已在开放科学框架(https://osf.io/qwtue/)上公开。
资金来源
本工作得到国家自然科学基金(82473719、82103933)、安徽医科大学公共卫生学院科研创新团队项目(kctd200403)以及安徽医科大学科研水平提升项目(2021xkjT006)的资助。
利益冲突声明
无。
引用
- Xing X, Wang Y, Zhu J, et al. Predictive validity of consensus-based MRI definition of osteoarthritis plus radiographic osteoarthritis for the progression of knee osteoarthritis: A longitudinal cohort study. Osteoarthr Cartil Open. 2025. PMID: 40061840. doi:10.1016/j.ocarto.2025.100582
- 全文:PMC11889593(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11889593/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。