Прогнозирование активности анкилозирующего спондилита по данным оценок исходов, сообщаемых пациентами: построение прогностических моделей с использованием машинного обучения

Цель: Активность заболевания — важный показатель для мониторинга прогрессирования анкилозирующего спондилита (АС), принятия клинических решений и планирования лечения. Ведение пациентов с АС всё чаще включает оценки исходов, сообщаемые пациентами (PROMs). Однако возможность использовать эти оценки для прогнозирования индекса активности анкилозирующего спондилита с учётом С-реактивного белка (ASDAS-CRP) ранее не изучалась. В этом исследовании с помощью методов машинного обучения разработаны модели, использующие данные PROMs для оценки активности заболевания у пациентов с АС.

Методы: Использованы данные 389 пациентов с АС из Китайского регистра пациентов с ревматоидным артритом, получающих традиционную китайскую медицину (CERTAIN), за период с марта 2022 по март 2024 года. Данные разделили на обучающую (80%) и тестовую (20%) выборки. Для отбора признаков и оценки их значимости применили различные методы машинного обучения, используя 34 переменные, в том числе данные, зарегистрированные врачами, и результаты PROMs (например, BASDAI, BASFI, BASMI, PGA, VAS, ASAS-HI, FACIT-F и DASS-21). Построили десять моделей на основе классификаторов «метод опорных векторов» (SVM) и «метод k ближайших соседей» (KNN) в сочетании с пятью методами отбора признаков: отбор признаков на основе ортогональной регрессии (FSOR), критерий отношения следов (TRC), устойчивый отбор признаков (RFS), коэффициент корреляции Пирсона (PCC) и ReliefF. Эффективность моделей оценивали по точности, специфичности, чувствительности и площади под ROC-кривой (AUC-ROC).

Результаты: В анализ включили 389 пациентов с АС. Среди ключевых оцениваемых характеристик были общая оценка состояния пациентом (PGA), возраст и влияние заболевания на повседневную активность. Наилучшие общие результаты показала модель FSOR+SVM: площадь под ROC-кривой в валидационной выборке составила 0,930 (95% ДИ 0,87–0,99). Эта же модель продемонстрировала наибольшую чувствительность (83,78%), точность (79,35%) и специфичность (90,50%).

Выводы: Модель машинного обучения, разработанная на основе данных PROMs, эффективно прогнозировала активность АС и хорошо согласовывалась с клинической оценкой по ASDAS-CRP.