Journal of Theoretical & Computational Science
Offener Zugang

Abstrakt

Vorhersage des Schweregrads einer Kniearthrose: Vergleichende Modellierung auf Grundlage von Patientendaten und einfachen Röntgenbildern

Jaynal Abedin

Kniearthrose (KOA) ist eine Krankheit, die die Kniefunktion beeinträchtigt und Schmerzen verursacht. Ein Radiologe überprüft Röntgenaufnahmen des Knies und bewertet den Schweregrad der Beeinträchtigungen nach dem Bewertungsschema von Kellgren und Lawrence; einer fünfstufigen Ordinal-Skala (0–4). In dieser Studie verwendeten wir Elastic Net (EN) und Random Forests (RF), um Vorhersagemodelle anhand von Patientenbeurteilungsdaten (d. h. Anzeichen und Symptome beider Knie und Medikamenteneinnahme) und einem Convolution Neural Network (CNN) zu erstellen, das nur anhand von Röntgenaufnahmen trainiert wurde. Lineare Modelle mit gemischten Effekten (LMM) wurden verwendet, um die Korrelation innerhalb der Probanden zwischen den beiden Knien zu modellieren. Der mittlere quadratische Fehler für die Modelle CNN, EN und RF betrug 0,77, 0,97 bzw. 0,94. Das LMM zeigt eine ähnliche Gesamtvorhersagegenauigkeit wie die EN-Regression, berücksichtigt jedoch korrekt die hierarchische Struktur der Daten, was zu zuverlässigeren Schlussfolgerungen führt. Es wurden nützliche erklärende Variablen identifiziert, die zur Patientenüberwachung vor der Röntgenbildgebung verwendet werden könnten. Unsere Analysen legen nahe, dass die zur Vorhersage der KOA-Schweregrade trainierten Modelle bei der Modellierung von Röntgenbildern und Patientendaten vergleichbare Ergebnisse erzielen. Die Subjektivität des KL-Grades ist nach wie vor ein Hauptanliegen.