Машинне навчання демонструє потенціал у ранній ідентифікації захворювань легень, пов'язаних з ревматоїдним артритом

У нещодавньому дослідженні, опублікованому в Frontiers in Medicine, вчені розробили та валідували моделі на основі машинного навчання для покращення ранньої ідентифікації інтерстиціального захворювання легень, пов'язаного з ревматоїдним артритом (RA-ILD). Ці моделі використовують рутинно доступні клінічні та лабораторні дані.

Мета дослідження

Основною метою було створення практичного інструменту стратифікації ризиків, який можна було б застосовувати в умовах первинної медичної допомоги або загальних лікарень. Це особливо важливо там, де доступ до передової візуалізації або спеціалізованої оцінки може бути обмеженим.

Методологія та ключові показники

Дослідники провели ретроспективний аналіз 410 пацієнтів з ревматоїдним артритом, серед яких у 100 (24,39%) було підтверджено RA-ILD. Після початкової попередньої обробки даних когорта була розділена на навчальні та валідаційні набори.

Спочатку широкий набір клінічних змінних був перевірений за допомогою одноваріантного аналізу. Потім ті, що показали потенційну значущість, були додатково уточнені за допомогою LASSO-регресії для виявлення найбільш інформативних предикторів.

Зрештою, для побудови прогностичних моделей було обрано сім ключових показників: вік, історія куріння, кількість лімфоцитів, лактатдегідрогеназа, ревматоїдний фактор, раковий антиген 125 (CA125) та вуглеводний антиген 199 (CA199).

Розроблені моделі та їх ефективність

Ці змінні були використані для побудови п'яти різних моделей машинного навчання: CatBoost, логістична регресія, метод опорних векторів, дерево рішень та випадковий ліс.

Ефективність моделей оцінювалася за стандартними метриками класифікації, включаючи точність (accuracy), прецизійність (precision), повноту (recall), F1-показник та площу під кривою робочих характеристик приймача (AUC).

Серед усіх моделей CatBoost продемонстрував найсильнішу загальну ефективність, досягнувши AUC 0,784 (95% ДІ, 0,656-0,885) та найнижчого показника Брієра 0,158, що вказує на хорошу калібровку та дискримінацію. Модель дерева рішень показала схожі результати з AUC 0,783 (95% ДІ, 0,661-0,818) та найвищу повноту (0,653) і F1-показник (0,603), що свідчить про високу чутливість у виявленні випадків RA-ILD.

Для покращення інтерпретованості автори застосували аналіз SHapley Additive exPlanations (SHAP) до моделі CatBoost. Цей підхід ідентифікував CA199, CA125 та вік як найбільш впливові предиктори у визначенні ризику RA-ILD. Ці висновки свідчать, що пухлинні маркери, поряд з демографічними та запальними показниками, можуть нести значущі сигнали для легеневих уражень при ревматоїдному артриті.

Висновки та подальші кроки

Дослідження робить висновок, що моделі CatBoost та дерева рішень надають перспективні підходи для класифікації RA-ILD з використанням простих клінічних даних. Хоча ефективність була помірною, а не остаточною, результати підкреслюють потенціал інструментів машинного навчання для допомоги в ранній стратифікації ризиків. Автори наголошують, що зовнішня валідація у більших, незалежних когортах є необхідною перед клінічним застосуванням, але цей підхід може згодом підтримати раннє виявлення та направлення пацієнтів з ризиком захворювання легень, пов'язаного з ревматоїдним артритом.