预测膝关节骨关节炎患者的运动恐惧症：机器学习与传统回归模型的对比研究

《BMC Musculoskeletal Disorders》：Predicting kinesiophobia in knee osteoarthritis: a head-to-head comparison between machine learning and traditional regression models

　　

摘要

背景

尽管机器学习（ML）在提高临床诊断方面具有潜力，但其应用于膝关节骨关节炎（KOA）患者的运动恐惧症（kinesiophobia）的研究仍较为有限。因此，本研究旨在开发基于逻辑回归（LR）的判别图，并将其与机器学习模型进行比较，以确定识别运动恐惧症状态和指导个性化干预的最佳方法。

方法

本研究是一项横断面研究，招募了来自一家三级医院的590名KOA患者（2024年6月至2025年7月），并将他们随机分为训练组（n=413）和测试组（n=177），比例为7:3。研究开发了一种基于LR的可解释判别图来评估运动恐惧症状态。构建了七种机器学习模型（CatBoost、LightGBM、ML-LR、随机森林、支持向量机[SVM]、极端梯度提升和多层感知器）以比较它们的预测性能。通过接收者操作特征曲线（ROC曲线）下的面积（AUC）、校准曲线和决策曲线分析来评估这些模型；同时使用Shapley Additive Explanations（SHAP）方法对机器学习模型进行解释。

结果

两组患者在基线特征上没有显著差异。逻辑回归模型识别出五个关键预测因子：年龄、教育水平、疼痛强度、疼痛灾难化倾向和活动水平。该判别图表现出良好的区分能力（训练组AUC=0.844；测试组AUC=0.815）。在各种机器学习模型中，支持向量机（SVM）的测试集AUC略高（0.821）。SHAP分析证实疼痛强度和疼痛灾难化倾向是SVM模型中最强的预测因子。

结论

在评估的机器学习模型中，没有一种模型在分类KOA患者的运动恐惧症状态方面表现出普遍的优越性。这些模型各具优势。支持向量机的预测性能略高，值得进一步研究并可能整合到自动化数字健康平台中；而基于逻辑回归的判别图在解释性方面表现良好，适用于初级保健中的快速、透明床边评估。模型选择应结合具体的临床情境来进行。