Maschinelles Lernmodell sagt Krankheitsaktivität bei Morbus Bechterew mit hoher Genauigkeit voraus

International: Vorhersage von Krankheitsaktivität bei Morbus Bechterew mittels maschinellem Lernen

Wesentliche Ergebnisse

Ein Forscherteam hat ein ML‑Modell entwickelt, das die Krankheitsaktivität bei Morbus Bechterew mit hoher Genauigkeit vorhersagt. Das Modell erreichte im Validierungssatz eine AUROC von 0,930 (95 %‑KI 0,87–0,99) und zeigte Sensitivität von 83,78 %, Spezifität von 90,50 % sowie Genauigkeit von 79,35 %.

Hintergrund

Die Krankheitsaktivität ist ein zentraler Indikator für die Behandlung von Morbus Bechterew. Patient‑reported outcome measures (PROMs) werden zunehmend zur Überwachung eingesetzt, doch ihre Vorhersagekraft für den ASDAS‑CRP‑Score war bislang nicht untersucht.

Datengrundlage

Die Analyse beruhte auf 389 Patienten, die im Zeitraum März 2022 bis März 2024 im China Rheumatoid Arthritis Registry of Patients with Chinese Medicine (CERTAIN) erfasst wurden. Für jeden Patienten standen 34 Merkmale zur Verfügung, darunter klinische Parameter und PROMs wie BASDAI, BASFI, BASMI, PGA, VAS, ASAS‑HI, FACIT‑F und DASS‑21.

Methodik

Die Daten wurden zufällig in Trainings‑ (80 %) und Test‑ (20 %)‑Sätze aufgeteilt. Zehn Vorhersagemodelle wurden konstruiert, indem die Klassifikatoren Support Vector Machine und K‑Nearest Neighbour mit fünf Merkmal‑Auswahlverfahren kombiniert wurden: FSOR, TRC, RFS, PCC und ReliefF.

Merkmalsauswahl

Die Analyse identifizierte insbesondere den Patient Global Assessment, das Alter und die Beeinträchtigung täglicher Aktivitäten als besonders relevante Prädiktoren für die ASDAS‑CRP‑Bewertung.

Ergebnisvergleich

Das Modell, das FSOR mit SVM kombinierte, übertraf sämtliche Alternativen hinsichtlich AUROC, Sensitivität, Spezifität und Genauigkeit. Andere Kombinationen erreichten maximal AUROC‑Werte um 0,85.

Interpretation

Die Resultate deuten darauf hin, dass PROMs‑Daten in Kombination mit geeigneten ML‑Techniken eine zuverlässige Schätzung der Krankheitsaktivität ermöglichen und damit klinische Entscheidungen unterstützen können.

Ausblick

Weitere Validierungen in unabhängigen Kohorten und die Integration zusätzlicher Biomarker könnten die Vorhersagegenauigkeit weiter steigern.

Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.