ARD：通过生化标记数据聚类发现骨关节炎内型
目标：骨关节炎(OA)患者分层是设计个体化治疗和推动药物开发的重要挑战。基于无监督机器学习的计算方法有可能将OA群组分层为与不同分子内型相对应的子集(内型是疾病状况的亚型，由独特的病理生理机制定义。与疾病表型相对应)。该研究基线时在IMI-APPROACH队列中测量反映关节组织更新的生化标志物，并使用机器学习方法进行分析，以研究由内型相关簇驱动的OA主导表型，并发现驱动特征及其疾病背景意义。
目标：骨关节炎(OA)患者分层是设计个体化治疗和推动药物开发的重要挑战。基于无监督机器学习的计算方法有可能将OA群组分层为与不同分子内型相对应的子集(内型是疾病状况的亚型，由独特的病理生理机制定义。与疾病表型相对应)。该研究基线时在IMI-APPROACH队列中测量反映关节组织更新的生化标志物，并使用机器学习方法进行分析，以研究由内型相关簇驱动的OA主导表型，并发现驱动特征及其疾病背景意义。
方法：进行数据质量评估以设计适当的数据预处理技术。k-means聚类算法用于根据生化标志物数据寻找患者的主要亚组。分类模型被训练来预测集群成员，并使用可解释的人工智能技术来解释，从而揭示每个集群背后的驱动因素并识别相应表型。进行统计分析以比较IMI-APPROACH队列中其他标志物的集群之间的差异和纵向疾病进展。
结果：发现了三种主要的内型，与三种表型相关：C1)低组织更新(低修复和关节软骨/软骨下骨转换)，C2)结构损伤(高骨形成/吸收，软骨退化)和C3)全身炎症(关节组织退化、炎症、软骨退化)。该方法在FNIH/OAI队列中取得了一致的结果。C1的非进展者比例最高。C2主要与纵向结构进展有关，C3与持续或进行性疼痛有关。
结论：这项工作支持OA中存在差异表型。生物标志物方法可能会推动OA临床试验的分层，并有助于未来OA进展的精准医学策略。
相关文章
评论
我要跟帖
.jpg)
