Machine Learning–Based Individualized Survival Prediction Model for Total Knee Replacement in Osteoarthritis: Data From the Osteoarthritis Initiative
Notice bibliographique
Résumé
OBJECTIVE: By using machine learning, our study aimed to build a model to predict risk and time to total knee replacement (TKR) of an osteoarthritic knee. METHODS: Features were from the Osteoarthritis Initiative (OAI) cohort at baseline. Using the lasso method for variable selection in the Cox regression model, we identified the 10 most important characteristics among 1,107 features. The prognostic power of the selected features was assessed by the Kaplan-Meier method and applied to 7 machine learning methods: Cox, DeepSurv, random forests algorithm, linear/kernel support vector machine (SVM), and linear/neural multi-task logistic regression models. As some of the 10 first-found features included similar radiographic measurements, we further looked at using the least number of features without compromising the accuracy of the model. Prediction performance was assessed by the concordance index, Brier score, and time-dependent area under the curve (AUC). RESULTS: Ten features were identified and included radiographs, bone marrow lesions of the medial condyle on magnetic resonance imaging, hyaluronic acid injection, performance measure, medical history, and knee-related symptoms. The methodologies Cox, DeepSurv, and linear SVM demonstrated the highest accuracy (concordance index scores of 0.85, Brier score of 0.02, and an AUC of 0.87). DeepSurv was chosen to build the prediction model to estimate the time to TKR for a given knee. Moreover, we were able to decrease the features to only 3 and maintain the high accuracy (concordance index of 0.85, Brier score of 0.02, and AUC of 0.86), which included bone marrow lesions, Kellgren/Lawrence grade, and knee-related symptoms, to predict risk and time of a TKR event. CONCLUSION: For the first time, we developed a model using the OAI cohort to predict with high accuracy if a given osteoarthritic knee would require TKR, when a TKR would be required, and who would likely progress fast toward this event.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».