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.
本网站所有内容来源注明为“梅斯医学”或“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为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或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#
64
#关节炎#
39