髋关节形态学特征预测放射性骨关节炎风险模型的构建与多中心验证研究

来自世界COACH联盟的研究人员通过整合9项前瞻性队列研究数据，开发了基于髋关节形态学参数（如外侧中心边缘角LCEA和α角）的放射性髋关节骨关节炎（RHOA）风险预测模型。研究纳入35,984例基线无明确RHOA的髋关节，发现包含队列特异性截距的广义线性混合模型（GLMM）在分层交叉验证中平均AUC达0.80，但形态学参数的增量预测价值有限。该成果为RHOA早期预警提供了新工具。

　　

这项跨国合作研究瞄准髋关节骨关节炎早期预警难题，创新性地将髋关节形态定量指标纳入预测体系。通过世界COACH联盟的9个前瞻性队列数据，科研团队对35,984个基线无明确放射性髋关节骨关节炎（RHOA）的髋关节展开追踪，采用标准化测量的外侧中心边缘角（Lateral Center Edge Angle, LCEA）和α角（alpha angle）作为形态学标志物。

研究团队构建的广义线性混合模型（Generalized Linear Mixed Model, GLMM）展现出亮眼表现：当纳入队列特异性截距、人口统计学特征和基线RHOA分级时，模型在分层交叉验证中斩获0.80（±0.01）的平均曲线下面积（AUC）。有趣的是，虽然随机森林（Random Forest, RF）模型表现出相当的预测效能，但髋关节形态学参数的加入仅带来微小的预测性能提升。

跨中心验证实验揭示模型性能存在群体异质性——在留一队列交叉验证中，AUC波动范围达0.56-0.88。这些发现暗示，虽然基于形态学的预测模型在相似人群中表现优异，但要实现跨人群精准预测仍需攻克群体特异性差异的难关。研究结果对实现RHOA的早期干预具有重要临床意义，也为医学影像人工智能分析提供了新的研究范式。