Personalized Predictions for Changes in Knee Pain Among Patients With Osteoarthritis Participating in Supervised Exercise and Education: Prognostic Model Study
Notice bibliographique
Résumé
Background: Knee osteoarthritis (OA) is a common chronic condition that impairs mobility and diminishes quality of life. Despite the proven benefits of exercise therapy and patient education in managing OA pain and functional limitations, these strategies are often underused. To motivate and enhance patient engagement, personalized outcome prediction models can be used. However, the accuracy of existing models in predicting changes in knee pain outcomes remains insufficiently examined. Objective: This study aims to validate existing models and introduce a concise personalized model predicting changes in knee pain from before to after participating in a supervised patient education and exercise therapy program (GLA:D) among patients with knee OA. Methods: Our prediction models leverage self-reported patient information and functional measures. To refine the number of variables, we evaluated the variable importance and applied clinical reasoning. We trained random forest regression models and compared the rate of true predictions of our models with those using average values. In supplementary analyses, we additionally considered recently added variables to the GLA:D registry. Results: We evaluated the performance of a full, continuous, and concise model including all 34 variables, all 11 continuous variables, and the 6 most predictive variables, respectively. All three models performed similarly and were comparable to the existing model, with R2 values of 0.31-0.32 and root-mean-squared errors of 18.65-18.85-despite our increased sample size. Allowing a deviation of 15 (visual analog scale) points from the true change in pain, our concise model correctly estimated the change in pain in 58% of cases, while using average values that resulted in 51% accuracy. Our supplementary analysis led to similar outcomes. Conclusions: Our concise personalized prediction model provides more often accurate predictions for changes in knee pain after the GLA:D program than using average pain improvement values. Neither the increase in sample size nor the inclusion of additional variables improved previous models. Based on current knowledge and available data, no better predictions are possible. Guidance is needed on when a model's performance is good enough for clinical practice use.
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 | 0,014 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| 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 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».