Development of the machine learning model that is highly validated and easily applicable to predict radiographic knee osteoarthritis progression
Notice bibliographique
Résumé
Many models using the aid of artificial intelligence have been recently proposed to predict the progression of knee osteoarthritis. However, previous models have not been properly validated with an external data set or have reported poor predictive performances. Therefore, the purpose of this study was to design a machine learning model for knee osteoarthritis progression, focusing on high validation quality and clinical applicability. A retrospective analysis was conducted on prospectively collected data, using the Osteoarthritis Initiative data set (5966 knees) for model development and the Multicenter Osteoarthritis Study data set (3392 knees) for validation. The analysis aimed to predict Kellgren-Lawrence grade (KLG) progression over 4-5 years in knees with initial KLG of 0, 1, or 2. Possible predictors included demographics, comorbidities, history of meniscectomy, gait speed, Western Ontario and McMaster Universities Osteoarthritis Index (WOMAC) scores, and radiological findings. The Random Forest algorithm was employed for the predictive model development. Baseline KLG, contralateral knee osteoarthritis, lateral joint space narrowing (JSN) grade, BMI, medial JSN grade, and total WOMAC score were six features selected for the model in descending order of importance. Odds ratios of baseline KLG, contralateral knee osteoarthritis, and lateral JSN grade were 1.76, 2.59, and 4.74, respectively (all p < 0.001). The area-under-the-curve of the ROC curve in the validation set was 0.76 with an accuracy of 0.68 and an F1-score of 0.56. The progression of knee osteoarthritis in 4 ~ 5 years could be well-predicted using easily available variables. This simple and validated model may aid surgeons in knee osteoarthritis patient management.
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 | 0,005 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».