Arthritis Res Ther：机器学习模型在预测类风湿性关节炎患者严重感染风险方面的准确性如何？

类风湿性关节炎（RA）患者相比于无RA患者具有更高的严重感染（SIs）风险，准确预测这些感染的发生对于改善患者管理具有重要意义。本研究旨在基于托法替布RA临床试验数据，利用多种机器学习模型探索并验证预测RA患者严重感染发生的能力。我们期望通过应用先进的统计方法，构建能识别未来感染风险的预测模型，以期为临床决策提供支持。

本研究纳入了19项托法替布RA临床试验的数据，包括10项II期试验、6项III期试验以及3项IIIb/IV期试验。所有试验中的患者均接受了托法替布5 mg或10 mg每日两次（BID）的治疗，部分患者接受了托法替布11 mg每日一次（QD），视为等同于托法替布5 mg BID。提取了包括患者人口学、医疗史、药物使用、疾病活动性评估及实验室评估在内的129个基线变量。通过多种机器学习方法，包括逻辑回归、支持向量机、随机森林、梯度增强树等，进行严重感染预测模型的构建与验证。模型的性能通过5倍交叉验证来评估，使用ROC曲线下面积（AUROC）作为预测准确性的衡量标准。

共有8404例接受托法替布治疗的RA患者被纳入分析，总随访时间为15310.13人年，其中473名患者报告了严重感染事件。在模型性能方面，基于所有研究数据的预测模型AUROC范围为0.656至0.739，仅限于III期及IIIb/IV期试验的AUROC范围为0.599至0.730，而仅基于ORAL Surveillance研究的数据AUROC范围为0.563至0.643。通过多变量逻辑回归分析，发现年龄、男性、既往感染史以及糖皮质激素使用等与严重感染风险显著相关。

与严重感染相关的基线变量（逐步多变量逻辑回归分析）

本研究通过分析托法替布类风湿性关节炎临床试验的数据，确认了与严重感染相关的已知风险因素，如年龄较大、男性、既往感染史和糖皮质激素使用等。我们利用多种机器学习模型来预测患者发生严重感染的可能性，虽然模型的预测性能与其他文献报道类似，但并未达到可用于临床实际的高准确度标准（AUROC ≥ 0.85）。这表明仅依靠患者的基线数据来预测未来的严重感染风险仍具有挑战性。

原始出处：

Machine learning prediction and explanatory models of serious infections in patients with rheumatoid arthritis treated with tofacitinib. Arthritis Res Ther 26, 153 (2024). https://doi.org/10.1186/s13075-024-03376-9