ARD：通过生化标记数据聚类发现骨关节炎内型

目标：骨关节炎(OA)患者分层是设计个体化治疗和推动药物开发的重要挑战。基于无监督机器学习的计算方法有可能将OA群组分层为与不同分子内型相对应的子集（内型是疾病状况的亚型，由独特的病理生理机制定义。与疾病表型相对应）。该研究基线时在IMI-APPROACH队列中测量反映关节组织更新的生化标志物，并使用机器学习方法进行分析，以研究由内型相关簇驱动的OA主导表型，并发现驱动特征及其疾病背景意义。

方法：进行数据质量评估以设计适当的数据预处理技术。k-means聚类算法用于根据生化标志物数据寻找患者的主要亚组。分类模型被训练来预测集群成员，并使用可解释的人工智能技术来解释，从而揭示每个集群背后的驱动因素并识别相应表型。进行统计分析以比较IMI-APPROACH队列中其他标志物的集群之间的差异和纵向疾病进展。

结果：发现了三种主要的内型，与三种表型相关：C1) 低组织更新（低修复和关节软骨/软骨下骨转换），C2) 结构损伤（高骨形成/吸收，软骨退化）和 C3) 全身炎症（关节组织退化、炎症、软骨退化）。该方法在 FNIH/OAI 队列中取得了一致的结果。C1的非进展者比例最高。C2主要与纵向结构进展有关，C3与持续或进行性疼痛有关。

结论：这项工作支持OA中存在差异表型。生物标志物方法可能会推动OA临床试验的分层，并有助于未来OA进展的精准医学策略。

出处：Angelini F，Widera P，Mobasheri A，et al.Osteoarthritis endotype discovery via clustering of biochemical marker data. Annals of the Rheumatic Diseases 2022;81：666-675.