Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Dự đoán sự tiến triển hình ảnh X-quang dựa trên học máy ở bệnh nhân viêm cột sống dính khớp trục
Tóm tắt
Học máy được áp dụng để đánh giá rủi ro và dự đoán kết quả trong dữ liệu đa chiều. Việc dự đoán sự tiến triển hình ảnh X-quang ở bệnh nhân viêm cột sống dính khớp trục (axSpA) vẫn còn hạn chế. Do đó, chúng tôi đã kiểm tra tính khả thi của các thuật toán học máy có giám sát để dự đoán sự tiến triển hình ảnh X-quang trong axSpA. Đây là một nghiên cứu hồi cứu dựa trên bệnh viện. Dữ liệu lâm sàng và phòng thí nghiệm thu được từ hai nhóm axSpA độc lập được sử dụng làm tập dữ liệu đào tạo và kiểm tra. Sự tiến triển hình ảnh X-quang trong 2 năm được đánh giá bằng Thang điểm Cột sống viêm cột sống dính khớp được sửa đổi (mSASSS) và sự gia tăng của mSASSS ≥ hai đơn vị được xác định là sự tiến triển. Bảy mô hình học máy với các thuật toán khác nhau đã được điều chỉnh, và hiệu suất của chúng với tập dữ liệu kiểm tra được đánh giá bằng đồ thị nhận diện (ROC) và đường cong chính xác - hồi tưởng (PR). Các nhóm đào tạo và kiểm tra có đặc điểm tương đương, và sự tiến triển hình ảnh X-quang được xác định ở 25,3% và 23,7%, tương ứng. Mô hình tuyến tính tổng quát (GLM) và máy vector hỗ trợ (SVM) là hai mô hình có hiệu suất tốt nhất với diện tích dưới đường cong (AUC) của ROC trên 0,78. SVM có AUC của PR cao hơn so với GLM (0,56 so với 0,51). Độ chính xác cân bằng trong tất cả các mô hình đều trên 65%. mSASSS là biến có thông tin nhất, tiếp theo là sự hiện diện của các syndesmophyte tại thời điểm bắt đầu và các cấp độ khớp cùng chậu. Các mô hình dự đoán dựa trên dữ liệu lâm sàng và hình ảnh X-quang cho thấy hiệu suất hợp lý trong việc dự đoán sự tiến triển hình ảnh X-quang ở axSpA. Việc mô hình hóa thêm với dữ liệu lớn hơn và chi tiết hơn có thể cung cấp cơ hội xuất sắc cho việc chuyển giao lâm sàng của các mô hình dự đoán sang quản lý bệnh nhân có nguy cơ cao.
Từ khóa
#học máy #viêm cột sống dính khớp trục #sự tiến triển hình ảnh X-quang #mô hình dự đoán #dữ liệu lâm sàng #dữ liệu hình ảnh X-quangTài liệu tham khảo
Sieper J, Braun J, Dougados M, Baeten D (2015) Axial spondyloarthritis. Nat Rev Dis Primers 1:15013. https://doi.org/10.1038/nrdp.2015.13
Sieper J, Poddubnyy D (2017) Axial spondyloarthritis. Lancet 390:73–84. https://doi.org/10.1016/s0140-6736(16)31591-4
Palla I, Trieste L, Tani C, Talarico R, Cortesi PA, Mosca M, Turchetti G (2012) A systematic literature review of the economic impact of ankylosing spondylitis. Clin Exp Rheumatol 30:S136–S141
Baraliakos X, Listing J, Rudwaleit M, Brandt J, Sieper J, Braun J (2005) Radiographic progression in patients with ankylosing spondylitis after 2 years of treatment with the tumour necrosis factor alpha antibody infliximab. Ann Rheum Dis 64:1462–1466. https://doi.org/10.1136/ard.2004.033472
Poddubnyy D, Haibel H, Listing J, Marker-Hermann E, Zeidler H, Braun J, Sieper J, Rudwaleit M (2012) Baseline radiographic damage, elevated acute-phase reactant levels, and cigarette smoking status predict spinal radiographic progression in early axial spondylarthritis. Arthritis Rheum 64:1388–1398. https://doi.org/10.1002/art.33465
Poddubnyy D, Protopopov M, Haibel H, Braun J, Rudwaleit M, Sieper J (2016) High disease activity according to the Ankylosing Spondylitis Disease Activity Score is associated with accelerated radiographic spinal progression in patients with early axial spondyloarthritis: results from the GErman SPondyloarthritis Inception Cohort. Ann Rheum Dis 75:2114–2118. https://doi.org/10.1136/annrheumdis-2016-209209
Poddubnyy D, Conrad K, Haibel H, Syrbe U, Appel H, Braun J, Rudwaleit M, Sieper J (2014) Elevated serum level of the vascular endothelial growth factor predicts radiographic spinal progression in patients with axial spondyloarthritis. Ann Rheum Dis 73:2137–2143. https://doi.org/10.1136/annrheumdis-2013-203824
Baraliakos X, Listing J, Rudwaleit M, Haibel H, Brandt J, Sieper J, Braun J (2007) Progression of radiographic damage in patients with ankylosing spondylitis: defining the central role of syndesmophytes. Ann Rheum Dis 66:910–915. https://doi.org/10.1136/ard.2006.066415
Baraliakos X, Listing J, von der Recke A, Braun J (2009) The natural course of radiographic progression in ankylosing spondylitis--evidence for major individual variations in a large proportion of patients. J Rheumatol 36:997–1002. https://doi.org/10.3899/jrheum.080871
van Tubergen A, Ramiro S, van der Heijde D, Dougados M, Mielants H, Landewe R (2012) Development of new syndesmophytes and bridges in ankylosing spondylitis and their predictors: a longitudinal study. Ann Rheum Dis 71:518–523. https://doi.org/10.1136/annrheumdis-2011-200411
Rajkomar A, Dean J, Kohane I (2019) Machine learning in medicine. N Engl J Med 380:1347–1358. https://doi.org/10.1056/NEJMra1814259
Kim KJ, Tagkopoulos I (2019) Application of machine learning in rheumatic disease research. Korean J Intern Med 34:708–722. https://doi.org/10.3904/kjim.2018.349
Lezcano-Valverde JM, Salazar F, Leon L, Toledano E, Jover JA, Fernandez-Gutierrez B, Soudah E, Gonzalez-Alvaro I, Abasolo L, Rodriguez-Rodriguez L (2017) Development and validation of a multivariate predictive model for rheumatoid arthritis mortality using a machine learning approach. Sci Rep 7:10189. https://doi.org/10.1038/s41598-017-10558-w
Ward MM, Pajevic S, Dreyfuss J, Malley JD (2006) Short-term prediction of mortality in patients with systemic lupus erythematosus: classification of outcomes using random forests. Arthritis Rheum 55:74–80. https://doi.org/10.1002/art.21695
Rudwaleit M, van der Heijde D, Landewe R, Listing J, Akkoc N, Brandt J, Braun J, Chou CT, Collantes-Estevez E, Dougados M, Huang F, Gu J, Khan MA, Kirazli Y, Maksymowych WP, Mielants H, Sorensen IJ, Ozgocmen S, Roussou E, Valle-Onate R, Weber U, Wei J, Sieper J (2009) The development of Assessment of SpondyloArthritis international Society classification criteria for axial spondyloarthritis (part II): validation and final selection. Ann Rheum Dis 68:777–783. https://doi.org/10.1136/ard.2009.108233
Molto A, Gossec L, Meghnathi B, Landewe RBM, van der Heijde D, Atagunduz P, Elzorkany BK, Akkoc N, Kiltz U, Gu J, Wei JCC, Dougados M (2018) An Assessment in SpondyloArthritis International Society (ASAS)-endorsed definition of clinically important worsening in axial spondyloarthritis based on ASDAS. Ann Rheum Dis 77:124–127. https://doi.org/10.1136/annrheumdis-2017-212178
Creemers MC, Franssen MJ, van't Hof MA, Gribnau FW, van de Putte LB, van Riel PL (2005) Assessment of outcome in ankylosing spondylitis: an extended radiographic scoring system. Ann Rheum Dis 64:127–129. https://doi.org/10.1136/ard.2004.020503
Wanders A, Landewe R, Spoorenberg A, de Vlam K, Mielants H, Dougados M, van der Linden S, van der Heijde D (2004) Scoring of radiographic progression in randomised clinical trials in ankylosing spondylitis: a preference for paired reading order. Ann Rheum Dis 63:1601–1604. https://doi.org/10.1136/ard.2004.022038
van der Linden S, Valkenburg HA, Cats A (1984) Evaluation of diagnostic criteria for ankylosing spondylitis. A proposal for modification of the New York criteria. Arthritis Rheum 27:361–368
MacKay K, Brophy S, Mack C, Doran M, Calin A (2000) The development and validation of a radiographic grading system for the hip in ankylosing spondylitis: the bath ankylosing spondylitis radiology hip index. J Rheumatol 27:2866–2872
James G, Witten D, Hastie T, Tibshirani R (2013) An introduction to statistical learning: with applications in R. Springer, New York
Kuhn M, Johnson K (2013) Applied predictive modeling. Springer, New York
Greenwell BM, Boehmke BC, McCarthy AJ (2018) A simple and effective model-based variable importance measure. arXiv preprint arXiv:1805.04755
Brodersen KH, Ong CS, Stephan KE, Buhmann JM The balanced accuracy and its posterior distribution. In: 2010 20th International Conference on Pattern Recognition, 23-26 Aug. 2010 2010. pp 3121-3124
Saito T, Rehmsmeier M (2015) The precision-recall plot is more informative than the ROC plot when evaluating binary classifiers on imbalanced datasets. PLoS One 10:e0118432. https://doi.org/10.1371/journal.pone.0118432
Jeong H, Bea EK, Lee J, Koh EM, Cha HS (2015) Body mass index and estrogen predict radiographic progression in the spine in ankylosing spondylitis. Joint Bone Spine 82:473–474. https://doi.org/10.1016/j.jbspin.2014.11.009
Ranganathan P, Pramesh CS, Aggarwal R (2017) Common pitfalls in statistical analysis: logistic regression. Perspect Clin Res 8:148–151. https://doi.org/10.4103/picr.PICR_87_17
Waljee AK, Higgins PD (2010) Machine learning in medicine: a primer for physicians. Am J Gastroenterol 105:1224–1226. https://doi.org/10.1038/ajg.2010.173
Park JW, Kim MJ, Lee JS, Ha YJ, Park JK, Kang EH, Lee YJ, Song YW, Lee EY (2019) Impact of tumor necrosis factor inhibitor versus nonsteroidal antiinflammatory drug treatment on radiographic progression in early ankylosing spondylitis: its relationship to inflammation control during treatment. Arthritis Rheum 71:82–90. https://doi.org/10.1002/art.40661
Villaverde-Garcia V, Cobo-Ibanez T, Candelas-Rodriguez G, Seoane-Mato D, Campo-Fontecha PDD, Guerra M, Munoz-Fernandez S, Canete JD (2017) The effect of smoking on clinical and structural damage in patients with axial spondyloarthritis: a systematic literature review. Semin Arthritis Rheum 46:569–583. https://doi.org/10.1016/j.semarthrit.2016.11.004
Choi HK, Nguyen US, Niu J, Danaei G, Zhang Y (2014) Selection bias in rheumatic disease research. Nat Rev Rheumatol 10:403–412. https://doi.org/10.1038/nrrheum.2014.36
Dahabreh IJ, Kent DM (2011) Index event bias as an explanation for the paradoxes of recurrence risk research. Jama 305:822–823. https://doi.org/10.1001/jama.2011.163
Molnar C, Scherer A, Baraliakos X, de Hooge M, Micheroli R, Exer P, Kissling RO, Tamborrini G, Wildi LM, Nissen MJ, Zufferey P, Bernhard J, Weber U, Landewe RBM, van der Heijde D, Ciurea A (2018) TNF blockers inhibit spinal radiographic progression in ankylosing spondylitis by reducing disease activity: results from the Swiss Clinical Quality Management cohort. Ann Rheum Dis 77:63–69. https://doi.org/10.1136/annrheumdis-2017-211544
Chiowchanwisawakit P, Lambert RG, Conner-Spady B, Maksymowych WP (2011) Focal fat lesions at vertebral corners on magnetic resonance imaging predict the development of new syndesmophytes in ankylosing spondylitis. Arthritis Rheum 63:2215–2225. https://doi.org/10.1002/art.30393
Maksymowych WP, Morency N, Conner-Spady B, Lambert RG (2013) Suppression of inflammation and effects on new bone formation in ankylosing spondylitis: evidence for a window of opportunity in disease modification. Ann Rheum Dis 72:23–28. https://doi.org/10.1136/annrheumdis-2011-200859
Heiland GR, Appel H, Poddubnyy D, Zwerina J, Hueber A, Haibel H, Baraliakos X, Listing J, Rudwaleit M, Schett G, Sieper J (2012) High level of functional dickkopf-1 predicts protection from syndesmophyte formation in patients with ankylosing spondylitis. Ann Rheum Dis 71:572–574. https://doi.org/10.1136/annrheumdis-2011-200216
Stolwijk C, van Tubergen A, Castillo-Ortiz JD, Boonen A (2015) Prevalence of extra-articular manifestations in patients with ankylosing spondylitis: a systematic review and meta-analysis. Ann Rheum Dis 74:65–73. https://doi.org/10.1136/annrheumdis-2013-203582