ARD:通过生化标记数据聚类发现骨关节炎内型
2022-05-06 MedSci原创 MedSci原创
该研究在基线时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骨关节炎主导表型,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。
出处:Angelini F, Widera P, Mobasheri A, et al. Osteoarthritis endotype discovery via clustering of biochemical marker data. Annals of the Rheumatic Diseases 2022;81:666-675.
版权声明:
本网站所有注明“来源:梅斯医学”或“来源:MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明“来源:梅斯医学”。其它来源的文章系转载文章,本网所有转载文章系出于传递更多信息之目的,转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
#骨关节#
115
#关节炎#
87