基于机器学习和解释模型的类风湿性关节炎合并骨质疏松症患者预后预测

目的 探讨机器学习和解释模型在类风湿性关节炎合并骨质疏松症患者预后预测中的应用价值。 方法 选取2021年6月至2023年7月新疆维吾尔自治区维吾尔医医院收治的类风湿性关节炎合并骨质疏松症患者194例，按预后情况将其分为预后不良组（46例）和预后良好组（148例），通过两组临床资料的差异构建随机森林、支持向量机、朴素贝叶斯、BP神经网络、XGBoost预测模型，同时采用多因素logistic回归模型分析患者预后的影响因素。通过受试者操作特征（ROC）曲线及PR曲线筛选出最佳预测模型后，采用SHAP解释模型对其进行特征解释，并随机抽取1例患者进行模型评估。 结果 两组年龄、吸烟史、职业、类风湿因子、抗链球菌溶血素、IgM、红细胞沉降率、谷草转氨酶、热盐包治疗、针灸治疗、推拿治疗、骨质疏松仪治疗、关节功能状态分期、患者健康评定量表评分、视觉模拟评分法评分比较，差异有统计学意义（P＜0.05）。多因素分析结果显示，年龄（OR=1.066，95%CI：1.021～1.113）、职业（OR=16.711，95%CI：5.499～50.787）、骨质疏松仪使用情况（OR=6.836，95%CI：2.362～19.782）、关节功能状态分期（OR=2.756，95%CI：1.388～5.474）、患者健康评定量表评分（OR=6.287，95%CI：2.514～15.718）是类风湿性关节炎合并骨质疏松症患者预后不良的独立影响因素（P＜0.05）。ROC及PR曲线结果显示，随机森林预测模型性能最好，可信性最高。SHAP解释模型显示，类风湿因子水平、患者健康评定量表评分、职业等均为类风湿性关节炎合并骨质疏松症患者预后不良的影响因素。患者模型评估结果显示，类风湿因子水平、职业、患者健康评定量表评分、年龄、是否推拿治疗为该例患者预后的主要影响因素。 结论 基于机器学习的预后预测模型可预测类风湿性关节炎合并骨质疏松症患者的预后情况，可针对相关因素进行预防和规范性治疗，减少不良预后发生。

Prognostic prediction of patients with rheumatoid arthritis combined with osteoporosis based on machine learning and interpretative models