An interpretable metabolomic-driven machine learning model for early prediction of knee structural OA progression
Notice bibliographique
Résumé
OBJECTIVES: Osteoarthritis (OA) is the most prevalent chronic musculoskeletal disease. Early identification of individuals at risk of knee structural progression is essential for targeted interventions. This study aimed to develop and validate a machine/deep learning (ML/DL)-based prognostic model for knee OA progression using serum metabolomics. METHODS: Baseline serum metabolomic factors from two independent cohorts were analysed: Tasmanian Older Adult Cohort (n = 180) for model development and Licofelone trial (n = 137) for external validation. Participants were categorized by likelihood of knee structural progression using MRI and X-ray data. Four metabolomic scenarios were evaluated: metabolites alone (104), plus their ratios or inverse ratios (each 5460) and all combined (10 816), alongside age, sex, BMI. Metabolomic profiling used high-throughput omics. Batch effects were corrected via ComBat. Feature selection combined variable clustering with elastic net regularization. Top-selected features of each scenario were trained using five ML/DL models, with performance assessed by AUC, accuracy, sensitivity and specificity with 95% CIs. RESULTS: The metabolomic-only scenario, including sex and age, yielded the best performance. Feature clustering reduced to 22, with the top 10 used for training/testing. The Artificial Neural Network with domain-adversarial component outperformed other algorithms with domain shift. The final model, including six metabolites (SM (OH) C22:2, proline, citrulline, LysoPC a C18:0, glutamate and C12-DC), plus sex and age, demonstrated excellent predictive performance (test: AUC 0.98 [0.95, 1], accuracy 0.89 [0.84, 0.94]; validation: AUC 0.89 [0.83, 0.95], accuracy 0.85 [0.79, 0.91]). CONCLUSION: This validated metabolomics DL framework (https://github.com/AFSHINJAM/KOA_Prediction_Metabolomics_Ratios) introduces a novel approach for predicting knee OA structural progression, enabling personalized risk assessment and early intervention.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».