研究队列构建与数据提取
建立用于模型开发和外部验证的患者队列，并提取候选预测变量和结局变量。
从METEOR-SpA注册研究（锁定于2023年6月）中选取接受bDMARD治疗的axSpA患者，从GLAS队列（锁定于2022年3月）中选取接受bDMARD治疗的患者作为外部验证集。数据统一为通用数据模型，每次访视一行，提取人口学、疾病特征、疾病活动度、治疗等变量。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
使用不同机器学习模型在METEOR-SpA注册研究中预测中轴型脊柱关节炎疾病发作
Predicting disease flares in axial spondyloarthritis using different machine learning models in the METEOR-SpA registry
实验完整度
高使用两个独立队列（METEOR-SpA和GLAS）进行模型开发和外部验证，包含访视水平预测建模和功能评估（区分度、校准度、DCA）。
主要模型
METEOR-SpA注册研究中接受bDMARD治疗的axSpA患者（1167例，3865次访视） GLAS队列中接受bDMARD治疗的axSpA患者（382例，2896次访视）
重点核对
疾病发作定义：ASDAS升高≥0.9或BASDAI升高≥2 预测窗口：评估访视后6个月内（允许2个月宽限期） METEOR-SpA队列：1167例患者，3865次访视，618例有标记结局 GLAS队列：382例患者，2896次访视，356例有标记结局 最终模型：岭逻辑回归，保留8个预测变量，决策阈值10.9%
摘要
目的：利用真实世界注册数据，开发并外部验证用于预测中轴型脊柱关节炎（axSpA）疾病发作的机器学习模型。方法：在METEOR-SpA注册研究中，对接受生物类改善病情抗风湿药治疗的axSpA患者进行访视水平分析。疾病发作定义为下一次6个月评估时中轴型脊柱关节炎疾病活动度评分（ASDAS）升高≥0.9（或Bath强直性脊柱炎疾病活动指数（BASDAI）升高≥2）。候选模型利用常规临床预测变量和最小冗余最大相关变量选择，针对平均精度（AP）进行优化以应对类别不平衡，使用患者分组交叉验证（CV）进行评估，并在Groningen Leeuwarden axSpA队列（GLAS）中进行外部验证，采用区分度、校准度和决策曲线分析（DCA）。结果：经过入选标准筛选，METEOR-SpA队列纳入1167例患者和3865次访视；618例（52.9%）患者至少有一次已知发作状态的访视。其中，170例（27.5%）至少经历一次发作。选择岭逻辑回归作为最终模型，内部CV的受试者工作特征曲线下面积（ROC-AUC）为0.72（95% CI 0.70至0.75），AP为0.291（0.245至0.337），保留八个与发作相关的预测变量。这些变量为ASDAS（当前和既往）、女性性别、发作史、附着点炎、英夫利西单抗暴露、医生整体评估和C反应蛋白。在GLAS外部验证中，ROC-AUC为0.63（95% CI 0.59至0.68），AP为0.142（0.116至0.171）。DCA显示在低阈值概率下具有适度的正向净临床获益。结论：缩简的逻辑回归模型对axSpA短期发作风险显示出中等的内部区分度和适度的外部区分度。虽然不用于指导个体患者的预防性治疗调整，但该模型在进一步验证后可能支持低风险干预措施，如群体水平风险分层或更紧密的随访。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 能否利用真实世界注册数据开发并外部验证机器学习模型，以预测中轴型脊柱关节炎（axSpA）患者的疾病发作？
- 核心机制
- 基于八个常规收集的临床预测变量（ASDAS、女性性别、发作史、附着点炎、英夫利西单抗暴露、既往ASDAS、医生整体评估和CRP）的岭逻辑回归模型可预测短期发作风险。
- 主要证据
- 在METEOR-SpA队列中，岭逻辑回归模型内部交叉验证ROC-AUC为0.72（95% CI 0.70-0.75），AP为0.291（0.245-0.337）；在GLAS外部验证中，ROC-AUC为0.63（0.59-0.68），AP为0.142（0.116-0.171），DCA显示正向净获益。
- 研究意义
- 该模型在进一步验证后可能支持群体水平风险分层或更紧密的随访等低风险干预措施，但尚不适用于指导个体患者的预防性治疗调整。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
预测模型开发与内部评估
在METEOR-SpA队列中训练和比较多种机器学习分类模型，筛选最优模型。
在标记的访视水平数据上，采用10折分层患者分组交叉验证，评估多种机器学习架构，包括树集成（决策树、随机森林、XGB）、GAM（EBM）和正则化逻辑回归（岭、LASSO、弹性网）。通过MRMR进行变量选择，以AP为主要优化指标。
最终模型选择与外部验证
基于区分度、校准度、临床效用、简约性和可解释性选择最终模型，并在独立队列中验证其迁移性。
选择缩简的岭逻辑回归作为最终模型，在METEOR-SpA全队列上重新训练。在GLAS队列上进行外部验证，评估区分度（ROC-AUC、AP）、校准度（Brier分数、校准曲线）和临床效用（DCA）。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 数据分析与建模 | scikit-learn | -- | V.1.6.1 |
| xgboost | -- | V.3.3.0 | |
| interpret | -- | V.0.7.8 | |
| R | -- | V.4.6.0 | |
| Python | -- | V.3.12.13 |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 研究队列与数据提取 | METEOR-SpA注册研究（锁定于2023年6月）和GLAS队列（锁定于2022年3月）的纳入排除标准；标记结局的定义（至少一次访视有明确发作状态）；预测变量的提取时间窗（当次访视或6个月内最近一次既往值） 阅读提示：Methods部分'Study design and patients'和'Data extraction and study variables'小节 |
| 结局定义 | 疾病发作定义：ASDAS升高≥0.9，或ASDAS不可用时BASDAI升高≥2；评估窗口为访视后6个月内，允许2个月宽限期（即最多8个月） 阅读提示：Methods部分'Data extraction and study variables'小节 |
| 模型开发与内部验证 | 10折分层患者分组交叉验证；缺失值插补方法（链式方程迭代插补，随机森林回归器，10个估计器）；超参数优化目标（最大化AP）；MRMR变量选择确定最优预测变量数为8 阅读提示：Methods部分'Statistical analysis'小节，补充表S1、S4和图S1 |
| 最终模型选择 | 最终模型为缩简岭逻辑回归，基于区分度、校准度、临床效用、简约性和可解释性的综合评估；决策阈值10.9%（基于F1优化） 阅读提示：Results部分'Predictive model development'小节，表2和补充图S2 |
| 外部验证 | GLAS队列中标记结局患者数（356例）；外部验证使用相同的决策阈值；患者水平分层自助法（1000次迭代）生成置信区间；敏感性分析排除仅BASDAI定义的发作 阅读提示：Results部分'Predictive model external validation'小节，补充表S2和S6 |
| 伦理与数据共享 | GLAS队列经MCL和UMCG伦理委员会批准（TPO 364/604）；所有患者提供书面知情同意；数据去标识化处理 阅读提示：Methods部分'Ethical considerations'小节 |