基于贝叶斯网络的膝骨关节炎患病风险的定量预测研究

【作者】 邵文娟； 张一民；

【机构】 北京体育大学；

【摘要】 研究目的:膝骨关节炎(Knee Osteoarthritis,KOA)是膝关节软骨、关节内软骨、韧带等结构的不可逆性病变,症状为膝关节疼痛和关节活动受限,可以造成患者在洗澡、如厕、着装、行走、睡眠、家务等日常生活方面的困难,严重时导致患者丧失独立生活能力,甚至发生残疾。KOA在国内的患病形式严峻,患病率逐年增加,40岁以上人群的患病率高达21.51%,且KOA多发于中老年人群,无法治愈,其群体患病率随年龄增加,个体患病程度也随年龄增加,给患者及家庭带来医疗负担与养老负担,需引起重视。然而,KOA初早期症状不明显,患者容易忽视相关症状,当患者因疼痛就诊时,KOA可能早已发生;通过影像学诊断的KOA患病率也远高于通过症状诊断的患病率,说明存在大量膝关节已然病变、但症状不明显、未提早发现病情的患者。也就是说,KOA的症状滞后于膝关节实质性磨损,KOA初早期患者未出现症状时,仅能通过影像学检查来确诊,但此时患者由于没有症状,不会选择影像学检查,同时该检查方法的花费较高、难以推广普及,若能研制出花费低、简便、易推广的KOA风险预测或早期诊断工具,将有助于筛查出这些患者。因此,本研究旨在选择简便易行的、与KOA密切关联的体质测评指标,建立KOA患病风险预测的数学模型,提前筛查出可能患KOA的人群和症状不明显的初早期患者,实现KOA的早发现。研究方法:于2022年7月至9月、采用分层抽样的方法、在南京市栖霞区迈皋桥街道和西岗街道按一定性别比例与年龄比例抽取50～74岁社区居民作为研究对象。通过KOA诊断法和现场测试法采集数据,KOA诊断的标准来自中华医学会骨关节炎诊疗指南,包括疼痛、晨僵、骨摩擦音(感)等症状以及X线片筛查;现场测试采集的指标包括性别、年龄、身高、体重、体重指数(body mass index,BMI)、大腿围、30秒坐站、膝关节活动度、闭眼单脚站、计时起立行走测试(time up and go test,TUGT)等。共获得1045份数据有效数据。随后在Ge Nle 2.3软件中通过贝叶斯网络学习建立KOA患病情况与上述10个指标之间的数学模型,具体步骤如下。(1)数据离散化:使用等宽法(Uniform Widths)对身高、体重、大腿围、30秒坐站、膝关节屈曲度、闭眼单脚站6个连续型变量进行离散化分组,使用平均值和高危切点值对TUGT指标进行离散化分组;(2)结构学习:在Ge Nle 2.3软件中使用爬山搜索函数爬取所有可能存在的结构,使用K2评分函数评估结构得分的高低,算法迭代30次,每次迭代抽取的样本量250个,同时结合专业知识,主观调整变量层级、增减有向线段,得到最优的网络结构;(3)参数学习:在已知最优网络结构的基础上,计算各节点的联合概率分布,使用Expectation-Maximum算法(EM算法)进行参数学习,该算法先选择一个默认参数,再利用默认参数推导其它节点的后验概率,反复收敛,直至后验概率与先验概率无限接近,得到预测模型;(4)模型验证:选用5折交叉验证法,将构建模型的1045份数据平均分为5份,利用其中4份数据重启参数学习、构建模型,另外1份数据验证模型,共重复5次,实现样本全覆盖,使用准确性、ROC曲线及曲线下面积(Aera Under the Curve,AUC)验证模型的准确性;(5)模型敏感度分析:以KOA为目标变量进行敏感度分析,识别出KOA致病的关键风险因子。研究结果:1045名研究对象中,247人患有KOA,患病率为23.64%。性别、年龄、身高、体重、BMI、大腿围、30秒坐站、膝关节屈曲度、闭眼单脚站、TUGT等10个变量在"未患KOA"与"患KOA"之间的组间差异均存在统计学意义(P<0.01)。以KOA患病情况和上述10个变量为节点,本研究构建了KOA患病风险预测模型,包括19条有向线段,即各变量与KOA的依赖关系。其中,性别、BMI、膝关节屈曲度、30秒坐站4个变量与KOA直接相关,其它变量与KOA间接相关。贝叶斯网络模型为动态模型,确定模型中任意一个变量或多个变量,都可得到相应的预测值。例如,P(KOA|肥胖)=0.504,说明在肥胖的条件下发生KOA的概率为0.504,BMI肥胖的患病率为50.4%;P(KOA|BMI正常)=0.142,说明BMI正常的人KOA患病率为14.2%;P(KOA|女性,肥胖,膝关节屈曲度高,30秒坐站水平低)=0.875,说明在女性、肥胖、膝关节屈曲度高、30秒坐站水平低的条件下,KOA的患病率为87.5%;P(KOA|男性,BMI正常,膝关节屈曲度高,30秒坐站水平高)=0.041,说明在男性、BMI正常、膝关节屈曲度高、30秒坐站水平高的条件下,KOA的患病率为4.1%。此外,模型验证结果显示,模型的准确性为0.789,ROC曲线为凸函数,曲线下面积AUC=0.722,说明模型的预测效果良好。敏感度分析结果显示,体重、性别、30秒坐站三个变量的敏感度较高,说明这三个变量是KOA患病的关键风险因子,预防KOA可以从降低体重与提高30秒坐站个数、即提高下肢肌肉力量入手。研究结论:本研究构建了KOA患病风险的定量预测模型。该模型是动态的贝叶斯网络模型,包括11个节点与19条有向线段,可以根据任意一个或多个节点的值,定量预测个体的KOA患病率,从而实现KOA的早发现。更多还原