Exploration of heterogeneity of treatment effects across exercise-based interventions for knee osteoarthritis
Notice bibliographique
Résumé
Objective: Variability exists in the degree of improvement patients experience following exercise-based interventions (EBIs) for knee osteoarthritis (KOA), but understanding of this heterogeneity is limited. Using a machine learning approach, this study leveraged data from two randomized controlled trials (RCTs) to identify patient characteristics contributing to differential treatment effects. Design: The RCTs enrolled n = 621 patients and evaluated three EBIs (group-based physical therapy (PT), individual PT, and a Stepped Exercise Program) and an education control group. The primary outcome was change in total Western Ontario and McMaster Universities Osteoarthritis Index (WOMAC) score from baseline to end of treatment. Predictors included 25 demographic, clinical, and psychosocial characteristics. Three metalearners with three machine learning algorithms each and a simple interpretable model-based regression tree were used to identify subgroups with differential treatment effects. Fit was evaluated with holdout/validation data using root mean square error and mean absolute error. Results: The regression tree model outperformed all 9 metalearner models. Tree results suggested group-based PT yielded the largest improvement in mean WOMAC score. Only two subgroups were identified: baseline WOMAC score≤44 versus >44. Group-based PT was the optimal treatment regardless of baseline WOMAC score, but results were more ambiguous for patients with higher initial WOMAC score. For all 3 EBIs, patients with higher baseline WOMAC score made greater improvements. Conclusion: Results suggest individuals with moderate or greater KOA symptoms may benefit more from EBIs than those with less severe symptoms and that group-based PT is a promising approach for KOA.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».