Identifying Plasma Biomarkers That Predict Patient-Reported Outcomes Following Treatment for Trapeziometacarpal Osteoarthritis Using Machine Learning
Notice bibliographique
Résumé
Osteoarthritis (OA) in the trapeziometacarpal joint (TM) is a prevalent form of hand OA, yet research on biomarkers specific to hand OA remains limited. This study aims to identify systemic plasma biomarkers at baseline in TM OA patients that are associated with patient-reported outcomes one year post-treatment. Blood samples and clinical data were collected prospectively from 143 TM OA patients undergoing conservative therapy, fat grafting, or surgery, with one-year follow-up. Supervised machine learning with Lasso regularization analyzed associations among 10 systemic biomarkers related to cartilage turnover, bone remodeling, pain, or lipid metabolism. Generalized estimating equation models evaluated baseline biomarker associations with one-year outcomes. Patients averaged 61 years, were mostly female (69%), and were primarily treated conservatively (47%). The machine learning model identified associations between outcomes and biomarkers, including PIIANP, Visfatin, adiponectin, and leptin. Adjusted analyses revealed baseline PIIANP associated with VAS, QuickDASH, and TASD improvements, while Visfatin correlated with VAS worsening. We could identify two different plasma markers that could predict the clinical outcome of TM OA treatment. Baseline PIIANP is associated with improvement, while Visfatin is associated with worsening in TM OA outcomes up to one year post-treatment. Further prospective studies are needed to confirm and solidify these findings.
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 | 0,001 | 0,003 |
| 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) | 0,001 | 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 ».