机器学习方法有效预测 TNF 治疗后 RA 的缓解

研究表明，一种低成本预测机器学习模型根据类风湿关节炎 (RA) 患者队列的临床疾病活动 (CDAI) 测量结果，在使用肿瘤坏死因子 (TNF) 抑制剂治疗 6 个月后成功预测了缓解情况出版于 风湿病学和治疗.1

由于研究人员仅在第 6 个月的基线时使用 CDAI 测量，他们认为这种方法证明了创建区域队列以创建针对特定机构或地理区域的低成本模型的可实现性。

目前，治疗指南建议开始使用甲氨蝶呤治疗，如果甲氨蝶呤无效，则随后使用生物疾病缓解抗风湿药 (bDMARD) 或 Janus 激酶 (JAK) 抑制剂。 然而，最近的研究显示 bDMARD 优于 JAK，因此，TNF 治疗正成为该患者群体越来越受欢迎的选择。 尽管有这些令人鼓舞的发现，但只有 70% 开始 TNF 治疗的患者表现出良好的反应。2

日本职业与环境健康大学的 Koshiro Sonomoto 博士领导的一个研究小组写道：“据报道，为了提前预测 TNF 的功效，人们做出了许多努力。” “然而，由于成本、劳动力要求和流程标准化的需要，获得这些先进技术可能仅限于某些国家和先进设施。 相反，基于常规临床数据的预测模型更容易获得。”

分析中包括在对甲氨蝶呤反应不足后开始使用 TNF 作为第一个靶向合成 (ts)/bDMARD 治疗的 RA 患者。 数据收集于 2003 年 8 月至 2022 年 10 月期间从 FIRST 注册中心收集的数据。基线特征和 6 个月 CDAI 的分析使用了多种机器学习方法，例如套索逻辑回归（Lasso）、逐步变量选择的逻辑回归、支持向量机器、决策树以及预测模型常规临床实践中可用的 48 个因素。

研究期间，FIRST 登记处共有 4706 名患者开始接受 b/tsDMARD 治疗，其中 2223 名患者正在接受甲氨蝶呤治疗。 在这些患者中，1630 名患者接受了 TNF 治疗，79 名患者接受了 JAK 治疗。 患者平均年龄为59.2岁，平均体重指数为22.1，平均病程为75.7个月，均为亚洲人。 甲氨蝶呤的平均剂量为 11.3 mg/周，平均 CDAI 评分为 26.1。

这些模型完全依赖于患者报告的结果和定量参数，而不是主观的医生输入。

在这些方法中，Lasso 在预测 CDAI 缓解方面表现出优势，特异性为 69.9%，敏感性为 61.7%，平均曲线下面积为 0.704。 预计对 TNF 有反应的患者的 CDAI 缓解率平均为 53.2%，而预测无反应者的这一比例仅为 26.4%。

这些结果还可以帮助为预测为 TNF 无反应者的患者确定替代的 b/tsDMARD 类别。

研究人员提到了局限性，包括日历队列中 Lasso 生成的缓解预测模型的准确性下降。 该组按 9:1 的比例划分，截止日期为 2019 年 10 月，验证队列中报告审查有所增加。 他们认为这可能是由于 COVID-19 并发症造成的。

研究人员总结道：“这种方法有可能通过减少试错方法的需要并促进更个性化和有效的治疗策略来改善类风湿关节炎的治疗。” “虽然需要进一步验证，但研究还表明，创建适合特定地区或机构的具有成本效益的模型是可能的。”

参考