Die vorliegende Studie umfasst eine Gesamtstichprobengröße von 214 Fällen, wobei 101 Fälle von leichter Kniegelenksarthrose (KOA) und 113 Fälle von mittelschwerer bis schwerer KOA waren. Eine Risikofaktorenanalyse für das Fortschreiten der KOA-Stadieneinteilung wurde unter Verwendung von LASSO-Regression durchgeführt. Die univariate und multifaktorielle logistische Regression wurde durchgeführt, um die Beziehung zwischen verschiedenen Risikofaktoren wie JBS3, HDL, TC, BMI, Diabetes, Hypertonie, etc. und der KOA-Stadieneinteilung zu untersuchen. Basierend auf den Ergebnissen wurden sechs charakteristische Faktoren identifiziert.
Machine-Learning-Methoden wurden verwendet, um die Wichtigkeit der Einflussfaktoren zu analysieren, wobei TC als wichtigster Risikofaktor identifiziert wurde. Die Leistung der verschiedenen Modelle wurde bewertet, wobei der XGBoost-Algorithmus als bestes Modell hervorging. Die Ergebnisse wurden durch ROC-Kurven, Kalibrierungskurven und verschiedene Bewertungskriterien wie DCA bestätigt. Die Modelle haben eine hohe Diskriminierungsfähigkeit und Kalibrierungsgenauigkeit gezeigt.
Das XGB Classifier-Modell wurde für die Klassifizierungsaufgabe ausgewählt, da es die besten Leistungsergebnisse zeigte. Die Modellinterpretation wurde mithilfe von SHAP-Value-Diagrammen durchgeführt, wobei die Einflussfaktoren auf die Progression der KOA visualisiert wurden. TC, JBS3, BMI, Diabetes und Hypertonie wurden als Risikofaktoren identifiziert, während ein erhöhter HDL-Spiegel als protektiver Faktor betrachtet wurde. Die Ergebnisse wurden durch die SHAP-Interpretation des Modells bestätigt.
Insgesamt zeigt die Studie, dass die präsentierten Modelle und Analysen zur Vorhersage und Klassifizierung der KOA-Stadieneinteilung effektiv sind und wichtige Erkenntnisse über die Risikofaktoren für das Fortschreiten der Krankheit liefern. Der XGBoost-Algorithmus wurde als optimales Modell identifiziert und kann klinisch relevant für die Risikostratifizierung von KOA-Patienten eingesetzt werden.