Journal des sciences théoriques et computationnelles

Journal des sciences théoriques et computationnelles
Libre accès

ISSN: 2376-130X

Abstrait

Prédire la gravité de l'arthrose du genou : modélisation comparative basée sur les données des patients et sur des images radiographiques simples

Jaynal Abedin

L'arthrose du genou (KOA) est une maladie qui altère la fonction du genou et provoque des douleurs. Un radiologue examine les images radiographiques du genou et évalue le niveau de gravité des déficiences selon le système de notation de Kellgren et Lawrence ; une échelle ordinale à cinq points (0-4). Dans cette étude, nous avons utilisé Elastic Net (EN) et Random Forests (RF) pour construire des modèles prédictifs en utilisant des données d'évaluation des patients (c'est-à-dire des signes et symptômes des deux genoux et de l'utilisation de médicaments) et un réseau neuronal convolutionnel (CNN) formé uniquement à l'aide d'images radiographiques. Des modèles linéaires à effets mixtes (LMM) ont été utilisés pour modéliser la corrélation intra-sujet entre les deux genoux. L'erreur quadratique moyenne pour les modèles CNN, EN et RF était respectivement de 0,77, 0,97 et 0,94. Le LMM présente une précision de prédiction globale similaire à celle de la régression EN, mais tient correctement compte de la structure hiérarchique des données, ce qui donne lieu à une inférence plus fiable. Des variables explicatives utiles ont été identifiées qui pourraient être utilisées pour la surveillance des patients avant l'imagerie radiographique. Nos analyses suggèrent que les modèles formés pour prédire les niveaux de gravité de l'arthrose du genou obtiennent des résultats comparables lors de la modélisation des images radiographiques et des données des patients. La subjectivité du grade KL reste une préoccupation majeure.

Clause de non-responsabilité: Ce résumé a été traduit à l'aide d'outils d'intelligence artificielle et n'a pas encore été révisé ou vérifié.
Top