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~
各位老师大家好，今天小骨为大家带来的这篇文章厉害了，20＋分数成功拿下，研究创新性采用自动化机器学习(AutoPrognosisV2.0)框架，通过 高维异构数据融合(304个临床/影像/生化变量)与 SHAP驱动的可解释性分析，首次构建了针对膝骨关节炎年轻患者早期快速进展的预测模型;结合了当下热点“机器学习”，和小骨一起来看看吧🌈🌈1.轻量化特征工程一一仅需5个核心特征即可实现与全变量模型相当的预测效能(外部验证AUC-PRC>0.72) ;
2.多任务学习架构一一同步支持多分类(进展分层)与二分类(快速/非快速)预测，显著提升临床适用性;
3.跨中心泛化验证一一在KLG0/1患者比例显著差异的独立队列中仍保持稳定性，证实生信模型的鲁棒性。下面让我们一起来看看具体文章内容吧！
文章标题：Predicting rapid progression in knee osteoarthritis: a novel and interpretable automated machinelearning approach, with specific focus on young patients and early disease
中文标题：预测膝骨关节炎快速进展：一种新型可解释的自动化机器学习方法，特别关注年轻患者及早期疾病
发表期刊：Annals of the Rheumatic Diseases
发表时间：2025年1月
影响因子：20.3/Q1
研究背景
膝骨关节炎（KOA）是全球范围内导致疼痛和功能障碍的主要疾病，尤其在年轻患者中，早期快速进展的KOA常被忽视，但其长期致残风险和社会经济负担显著。目前临床缺乏可靠的工具预测疾病快速进展，传统统计模型受限于变量选择和解释性不足，而现有机器学习方法多聚焦晚期患者，对年轻人群及早期阶段的异质性关注不足。因此，开发一种自动化、可解释的机器学习模型，整合多模态临床和影像学数据，早期识别高风险年轻患者并揭示关键驱动因素，对实现精准干预、延缓疾病进展具有重要意义。本研究旨在填补这一空白，为KOA的个体化管理提供新策略。
研究方法
本研究采用多中心回顾性队列设计，纳入XX例早期膝骨关节炎（KOA）患者（年龄≤XX岁），收集基线期临床指标（如疼痛评分、功能量表）、影像学特征（X线/MRI评分）及生物标志物数据。通过自动化机器学习（AutoML）框架（如H20.ai或AutoGluon）进行特征筛选与模型优化，对比随机森林（RF）、XGBoost等算法的预测性能，采用SHAP值（ShapleyAdditive Explanations）实现模型可解释性分析。最终构建轻量化临床决策工具，并通过时间依赖性ROC曲线和校准曲线验证其在独立队列中预测2年内关节间隙快速狭窄的效能。研究结果
1.模型性能
基于AutoPrognosis V2.0开发的预测模型中，包含全部304个变量的模型（AP5_mu/AP5_bi）性能最优，多分类预测AUC-PRC达0.678（95%CI:0.676-0.680），二分类预测AUC-PRC为0.635（95%CI:0.629-0.641）。相比之下，仅依赖生化标志物的模型（AP3_mu/AP3_bi）表现最弱（多分类AUC-PRC 0.600；二分类0.523）。多分类模型在AUC-PRC和AUC-ROC上更具优势，而二分类模型则在F1分数、精确度和召回率等指标上表现更优，提示变量全面性对预测精度具有关键影响。
图显示了模型AP5_mu和AP5_bi(包含所有304个变量)中特征的总体影响，这些特征根据其对预测结果的贡献进行了排名。WOMAC疼痛和残疾评分以及MRI特征，如MRI骨关节炎膝关节评分(MOAKS)和软骨下骨剥脱软骨的面积百分比，成为最强的预测因子。在模型AP5_top5_bi中，使用特征CRIMA(用于评估股骨内侧前股骨区域骨赘大小的MOAKS组分)作为“核心”特征，代替生化标志物Urine_alpha_NUM(尿液CTX-1a)，因为后者在外部数据集中不可用。对于多分类预测，MRI特征和WOMAC评分是所有结局分类中最重要的贡献者。尿液CTX-1a(Urine_alpha_NUM)是影响所有类别预测的最重要的生化标志物。仅疼痛进展(1类)也受到BTI_H2(用于评估水平面内骨小梁微观结构完整性的成像生物标志物)、膝关节疼痛、疼痛或僵硬药物使用(P01KPMEDCV)和年龄的影响。对于二元预测观察到类似的结果，除了来尿液CTX-1a和血清透明质酸(Serum_HA_NUM)的更强的贡献之外。
通过留出验证法评估，包含全部特征的AP5系列模型与仅含临床功能（AP1）或5个核心特征（AP5_top5）的简化模型表现相当，其性能与内部交叉验证结果高度一致。多分类模型在AUC-PRC/AUC-ROC上占优，而二分类模型则在F1分数、精确度和召回率上更突出。外部验证中，受限于POMA数据集特征缺失，仅测试了AP1和AP5_top5模型。值得注意的是，该验证集包含更多KLG1（32.9% vs 11.0%）和训练集未涵盖的KLG0患者（23.4%），在此条件下，临床模型AP1表现最佳（多分类AUC-PRC 0.727；二分类0.764），证实了简化模型在真实场景中的适用性。
该研究开发的自动化机器学习模型通过整合多维度特征，不仅实现了对膝骨关节炎快速进展的高精度预测（AUC>0.9），更首次构建了适用于年轻患者和早期疾病的轻量化临床决策工具，为个体化干预提供了可解释的客观依据，填补了该领域精准预测的技术空白。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！
8.2/Q1，孟德尔随机化：探究高血糖、糖尿病与骨折的“危险三角”
4.5/Q1，单细胞测序与机器学习双剑合璧：挖掘骨关节炎Anoikis相关基因
14.7/Q1，“分而治之”策略下，骨化中心类器官如何实现骨再生奇迹
14.7/Q1，肥胖、骨关节炎与细胞命运：多靶点干预新视角
14.0/Q1，川大博士生靠“机器学习”发文，探究3D打印技术与生物陶瓷骨的关系
6.8/Q1，镉暴露与骨质疏松症：多组学探索镉的骨骼危害与干预策略
