目標：骨關節炎(OA)患者分層是設計個體化治療和推動藥物開發的重要挑戰。基於無監督機器學習的計算方法有可能將OA群組分層為與不同分子內型相對應的子集(內型是疾病狀況的亞型，由獨特的病理生理機製定義。與疾病表型相對應)。該研究基線時在IMI-APPROACH隊列中測量反映關節組織更新的生化標誌物，並使用機器學習方法進行分析，以研究由內型相關簇驅動的OA主導表型，並發現驅動特征及其疾病背景意義。
目標：骨關節炎(OA)患者分層是設計個體化治療和推動藥物開發的重要挑戰。基於無監督機器學習的計算方法有可能將OA群組分層為與不同分子內型相對應的子集(內型是疾病狀況的亞型，由獨特的病理生理機製定義。與疾病表型相對應)。該研究基線時在IMI-APPROACH隊列中測量反映關節組織更新的生化標誌物，並使用機器學習方法進行分析，以研究由內型相關簇驅動的OA主導表型，並發現驅動特征及其疾病背景意義。
方法：進行數據質量評估以設計適當的數據預處理技術。k-means聚類算法用於根據生化標誌物數據尋找患者的主要亞組。分類模型被訓練來預測集群成員，並使用可解釋的人工智能技術來解釋，從而揭示每個集群背後的驅動因素並識別相應表型。進行統計分析以比較IMI-APPROACH隊列中其他標誌物的集群之間的差異和縱向疾病進展。
結果：發現了三種主要的內型，與三種表型相關：C1)低組織更新(低修複和關節軟骨/軟骨下骨轉換)，C2)結構損傷(高骨形成/吸收，軟骨退化)和C3)全身炎症(關節組織退化、炎症、軟骨退化)。該方法在FNIH/OAI隊列中取得了一致的結果。C1的非進展者比例最高。C2主要與縱向結構進展有關，C3與持續或進行性疼痛有關。
結論：這項工作支持OA中存在差異表型。生物標誌物方法可能會推動OA臨床試驗的分層，並有助於未來OA進展的精準醫學策略。
我要跟帖copyright©醫學論壇網 版權所有，未經許可不得複製、轉載或鏡像
京ICP證120392號 京公網安備110105007198 京ICP備10215607號-1 （京）網藥械信息備字（2022）第00160號
