Machine learning for patient selection in corticosteroid decision making in knee osteoarthritis: A feasibility model
Notice bibliographique
Résumé
BACKGROUND: Relieving pain is central to the early management of knee osteoarthritis, with a plethora of pharmacological agents licensed for this purpose. Intra-articular corticosteroid injections are a widely used option, albeit with variable efficacy. AIM: To develop a machine learning (ML) model that predicts which patients will benefit from corticosteroid injections. METHODS: Data from two prospective cohort studies [Osteoarthritis (OA) Initiative and Multicentre OA Study] was combined. The primary outcome was patient-reported pain score following corticosteroid injection, assessed using the Western Ontario and McMaster Universities OA pain scale, with significant change defined using minimally clinically important difference and meaningful within person change. A ML algorithm was developed, utilizing linear discriminant analysis, to predict symptomatic improvement, and examine the association between pain scores and patient factors by calculating the sensitivity, specificity, positive predictive value, negative predictive value, accuracy, and F2 score. RESULTS: A total of 330 patients were included, with a mean age of 63.4 (SD: 8.3). The mean Western Ontario and McMaster Universities OA pain score was 5.2 (SD: 4.1), with only 25.5% of patients achieving significant improvement in pain following corticosteroid injection. The ML model generated an accuracy of 67.8% (95% confidence interval: 64.6%-70.9%), F1 score of 30.8%, and an area under the curve score of 0.60. CONCLUSION: The model demonstrated feasibility to assist clinicians with decision-making in patient selection for corticosteroid injections. Further studies are required to improve the model prior to testing in clinical settings.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».