Appropriate prediction models can assist healthcare systems in delaying or reversing osteoarthritis (OA) progression. We aimed to identify a reliable algorithm for predicting the progression rate and fate of OA based on patient-specific information. From May 2003 to 2019, 83,280 knees were collected. Age, sex, body mass index, bone mineral density, physical demands for occupation, comorbidities, and initial Kellgren–Lawrence (K-L) grade were used as variables for the prediction models. The prediction targets were divided into dichotomous groups for even distribution. We compared the performances of logistic regression (LR), random forest (RF), and extreme gradient boost (XGB) algorithms. Each algorithm had the best precision when the model used all variables. XGB showed the best results in accuracy, recall, F1 score, specificity, and error rates (progression rate/fate of OA: 0.710/0.877, 0.542/0.637, 0.637/0.758, 0.859/0.981, and 0.290/0.123, respectively). The feature importance of RF and XGB had the same order up to the top six for each prediction target. Age and initial K-L grade had the highest feature importance in RF and XGB for the progression rate and fate of OA, respectively. The XGB and RF machine learning algorithms showed better performance than conventional LR in predicting the progression rate and fate of OA. The best performance was obtained when all variables were combined using the XGB algorithm. For each algorithm, the initial K-L grade and physical demand for occupation were the greatest contributors with superior feature importance compared with the others.

中文翻译：

---

预测骨关节炎的进展速度和命运：机器学习算法的比较

适当的预测模型可以帮助医疗保健系统延缓或逆转骨关节炎 (OA) 的进展。我们旨在确定一种可靠的算法，用于根据患者特定信息预测 OA 的进展率和命运。从 2003 年 5 月到 2019 年，收集了 83,280 个膝盖。年龄、性别、体重指数、骨矿物质密度、职业的身体需求、合并症和初始 Kellgren–Lawrence (KL) 等级被用作预测模型的变量。预测目标被分成二分组以进行均匀分布。我们比较了逻辑回归 (LR)、随机森林 (RF) 和极端梯度提升 (XGB) 算法的性能。当模型使用所有变量时，每种算法都具有最佳精度。XGB 在准确性、召回率、F1 分数、特异性、和错误率（OA 的进展率/命运：分别为 0.710/0.877、0.542/0.637、0.637/0.758、0.859/0.981 和 0.290/0.123）。对于每个预测目标，RF 和 XGB 的特征重要性顺序相同，最高可达前六名。年龄和初始 KL 等级在 RF 和 XGB 中分别对 OA 的进展率和命运具有最高的特征重要性。XGB 和 RF 机器学习算法在预测 OA 的进展速度和命运方面表现出比传统 LR 更好的性能。当使用 XGB 算法组合所有变量时获得最佳性能。对于每个算法，初始 KL 等级和职业体力需求是最大的贡献者，与其他算法相比具有更高的特征重要性。分别）。对于每个预测目标，RF 和 XGB 的特征重要性顺序相同，最高可达前六名。年龄和初始 KL 等级在 RF 和 XGB 中分别对 OA 的进展率和命运具有最高的特征重要性。XGB 和 RF 机器学习算法在预测 OA 的进展速度和命运方面表现出比传统 LR 更好的性能。当使用 XGB 算法组合所有变量时获得最佳性能。对于每个算法，初始 KL 等级和职业体力需求是最大的贡献者，与其他算法相比具有更高的特征重要性。分别）。对于每个预测目标，RF 和 XGB 的特征重要性顺序相同，最高可达前六名。年龄和初始 KL 等级在 RF 和 XGB 中分别对 OA 的进展率和命运具有最高的特征重要性。XGB 和 RF 机器学习算法在预测 OA 的进展速度和命运方面表现出比传统 LR 更好的性能。当使用 XGB 算法组合所有变量时获得最佳性能。对于每个算法，初始 KL 等级和职业体力需求是最大的贡献者，与其他算法相比具有更高的特征重要性。年龄和初始 KL 等级在 RF 和 XGB 中分别对 OA 的进展率和命运具有最高的特征重要性。XGB 和 RF 机器学习算法在预测 OA 的进展速度和命运方面表现出比传统 LR 更好的性能。当使用 XGB 算法组合所有变量时获得最佳性能。对于每个算法，初始 KL 等级和职业体力需求是最大的贡献者，与其他算法相比具有更高的特征重要性。年龄和初始 KL 等级在 RF 和 XGB 中分别对 OA 的进展率和命运具有最高的特征重要性。XGB 和 RF 机器学习算法在预测 OA 的进展速度和命运方面表现出比传统 LR 更好的性能。当使用 XGB 算法组合所有变量时获得最佳性能。对于每个算法，初始 KL 等级和职业体力需求是最大的贡献者，与其他算法相比具有更高的特征重要性。