Precision Medicine-Based Machine Learning Analyses to Explore Optimal Exercise Therapies for Individuals With Knee Osteoarthritis: Random Forest-Informed Tree-Based Learning.
Notice bibliographique
Résumé
OBJECTIVE: We applied a precision medicine-based machine learning approach to discover underlying patient characteristics associated with differential improvement in knee osteoarthritis symptoms following standard physical therapy (PT), internet-based exercise training (IBET), and a usual care/wait list control condition. METHODS: Participants (n = 303) were from the Physical Therapy vs Internet-Based Training for Patients with Knee Osteoarthritis trial. The primary outcome was the Western Ontario and McMaster Universities Osteoarthritis Index (WOMAC) total score at 12-month follow-up. Random forest-informed tree-based learning was applied to identify patient characteristics that were critical to improving outcomes, and patients with those features were grouped. RESULTS: Age, BMI, and Brief Fear of Movement (BFOM) score, all at baseline, were identified as characteristics that effectively divided participants, creating 6 subgroups. Assigning treatments according to these models, compared to assigning a single best treatment to all patients, resulted in greater improvements of the average WOMAC at 12 months (<em>P</em> = 0.01). Key patterns were that IBET was the optimal treatment for patients of younger age and low BFOM, whereas PT was the optimal treatment for patients of older age, high BFOM, and BMI (kg/m<sup>2</sup>) between 26.3 and 37.2. CONCLUSION: These results suggest that easily assessed patient characteristics including age, fear of movement, and BMI could be used to guide patients toward either home-based exercise or PT, though additional studies are needed to confirm these findings. (ClinicalTrials.gov: NCT02312713).
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».