综述：机器学习在银屑病关节炎中的预测与诊断效能：一项系统评价与荟萃分析

《European Journal of Medical Research》：Predictive and diagnostic efficacy of machine learning for psoriatic arthritis: a systematic review and meta-analysis

　　

摘要

背景

早期银屑病关节炎的预测与诊断仍面临诸多挑战，目前支持机器学习方法应用的证据也较为有限。本研究旨在评估机器学习在银屑病关节炎预测与诊断中的有效性。

方法

研究检索了PubMed、Cochrane Library、Embase以及Web of Science数据库中的相关文献，检索时间截至2025年4月15日。这些研究任务被分为预测性任务和诊断性任务，随后根据数据集的不同进行分组分析。

结果

这项系统评价共纳入29项研究，其中15项用于银屑病关节炎的预测性研究，14项用于诊断性研究。在训练集中，预测模型对应的c指数、灵敏度及特异性分别为0.81（95%置信区间为0.78–0.84）、0.77（95%置信区间为0.65–0.85）和0.75（95%置信区间为0.55–0.89）。在验证集中，这三项指标分别为0.80（95%置信区间为0.74–0.85）、0.83（95%置信区间为0.76–0.88）和0.71（95%置信区间为0.60–0.80）。对于诊断性任务，训练集中的c指数为0.85（95%置信区间为0.80–0.89），相应的灵敏度和特异性分别为0.89（95%置信区间为0.77–0.96）和0.89（95%置信区间为0.72–0.96）。而在验证集中，c指数为0.78（95%置信区间为0.73–0.83），灵敏度为0.66（95%置信区间为0.56–0.74），特异性为0.76（95%置信区间为0.73–0.79）。

结论

机器学习在银屑病关节炎的预测与诊断方面展现出一定的潜力，但准确率仍处于中等水平。现有证据的局限性在于大多依赖内部验证，且原始研究存在较高的偏倚风险。未来的研究应优先在多中心数据集中开展外部验证，并通过决策曲线分析来评估其临床实用性。