Machine Learning to Predict Remission Between 6 and 24 Months in Rheumatoid Arthritis: Insights From JAK, an International Registry Collaboration
Rattachement africain : fr, ch, ca, jp, it, no, at, fi, cz, pt, si, gr. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
OBJECTIVE: To develop, externally validate, and simplify a machine learning model to predict remission between 6 and 24 months in patients with rheumatoid arthritis (RA) initiating tumor necrosis factor inhibitors, JAK inhibitors, interleukin-6 inhibitors, abatacept, or rituximab using data from 11 international registries in the JAK-pot collaboration. METHODS: We analyzed 21,675 treatment courses for model training, 5,418 courses for internal validation, and 1,807 courses from Switzerland for external validation. Remission was defined as a Clinical Disease Activity Index score ≤2.8 within 6 to 24 months after treatment initiation or switching. An XGBoost model was trained on 63 baseline demographic and clinical variables. Model performance was evaluated using the area under the curve (AUC), sensitivity, specificity, positive predictive value (PPV), and negative predictive value (NPV). Predictor contributions were quantified using Shapley Additive Explanations values. A simplified model using the top 10 predictors and a logistic regression benchmark were also evaluated. RESULTS: In external validation, the full model achieved an AUC of 0.797 (95% confidence interval 0.774-0.821), sensitivity of 0.804, specificity of 0.650, PPV of 0.454, and NPV of 0.902. The simplified model performed comparably (AUC 0.802). Logistic regression using the same 10 predictors achieved an AUC of 0.809. Key predictors included patient global assessment, 28-tender joint count, previous biologic/targeted synthetic disease-modifying antirheumatic drug exposure, and Health Assessment Questionnaire Disability Index score. CONCLUSION: Using routinely collected baseline data across 11 registries, prediction of remission showed limited discrimination and was best suited to ruling out remission. Performance was similar for a 10-variable model and logistic regression, indicating limited incremental value of model complexity without richer predictors.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé, mais le titre doit être comparé manuellement.
- Titre Crossref
- Machine Learning to Predict Remission Between 6 and 24 Months in Rheumatoid Arthritis: Insights From <scp>JAK,</scp> an International Registry Collaboration
- Date Crossref
- 07/05/2026
- Éditeur
- Wiley
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Université de Montpellier pays non établi dans la noticeUniversité ou école supérieure
-
Physiologie et Médecine Expérimentale du Coeur et des Muscles pays non établi dans la noticeStructure de recherche
-
University Hospital of Geneva pays non établi dans la noticeÉtablissement de santé
-
University of Geneva Geneva Center for Inflammation Research pays non établi dans la noticeUniversité ou école supérieure
-
Centre Hospitalier de l’Université de Montréal pays non établi dans la noticeÉtablissement de santé
-
Institute for Rheumatic Diseases (Japan) pays non établi dans la noticeEntreprise
-
University of Bari Aldo Moro Rheumatology Unit pays non établi dans la noticeUniversité ou école supérieure
-
University of Milan pays non établi dans la noticeUniversité ou école supérieure
-
Diakonhjemmet Hospital pays non établi dans la noticeÉtablissement de santé
-
Sigmund Freud Privatuniversität Wien pays non établi dans la noticeUniversité ou école supérieure
-
Hospital District of Helsinki and Uusimaa pays non établi dans la noticeÉtablissement de santé
-
Institute of Rheumatology pays non établi dans la noticeStructure de recherche
Université de Montpellier, Physiologie et Médecine Expérimentale du Coeur et des Muscles et University Hospital of Geneva, avec 9 autres affiliations.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.