开发两步整合机器学习框架，整合4个分子域（血浆代谢物、血浆miRNA、滑膜液miRNA、尿液miRNA）和临床域（年龄、性别、BMI、焦虑抑郁类别、神经性疼痛类别）。
各聚类内术后1年疼痛和功能评分及反应率相似，但通过差异分析筛选特征后进行反应分类：
①疼痛反应分类：Cluster 1整合AUC达0.841（单模态最佳：血浆miRNA AUC=0.735）；Cluster 2整合AUC=0.816（单模态最佳：临床域AUC=0.740）；Cluster 3整合AUC=0.879（单模态最佳：尿液miRNA AUC=0.786）。
②功能反应分类：Cluster 1-3整合AUC分别为0.786、0.808、0.738，均优于单模态模型。
整合模型持续优于单模态模型，证明多域数据融合的价值。
识别多模态ML框架中的关键反应分类特征
通过平均Gini不纯度分析特征重要性，发现：各聚类疼痛和功能反应的前20个重要特征均来自4个分子域，临床特征未进入前20，但所有特征都对分类有贡献。不同聚类间、同一聚类内疼痛与功能反应的重要特征高度独特，重叠极少。
仅3个miRNA在Cluster 2和3的疼痛反应前20特征中重叠（滑膜液hsa-miR-1265、hsa-mir-642a-3p，血浆hsa-3942-5p）。
仅谷氨酰胺代谢物在Cluster 2和3的功能反应前20特征中重叠。同一聚类内疼痛与功能反应的前20特征也主要不同，仅个别miRNA重叠。
结论：分子特征而非临床特征主要驱动分类性能，且各聚类、各结局的预测特征具有高度特异性。
