膝骨關節炎風險預測模型的系統評價_《中國循證醫學雜志》

作者：

劉凌 ¹ , 李惠菁 ² , 張治 ¹ , 胡笑燊 ³ ,  馬云 ¹

1. 中國融通醫療健康集團有限公司成都八一骨科醫院康復醫學科（成都 610012）;
2. 成都中醫藥大學臨床醫學院（成都 610075）;
3. 成都中醫藥大學養生康復學院（成都 610075）;

關鍵詞：

膝骨關節炎預測模型系統評價風險

DOI：

10.7507/1672-2531.202405081

視頻：

導出 下載 收藏 掃碼 引用

摘要 全文 圖表 視頻 參考文獻 施引文獻 補充材料

目的系統評價膝骨關節炎（knee osteoarthritis，KOA）的發病風險預測模型。方法計算機檢索CNKI、WanFang Data、VIP、PubMed、Embase、Web of Science和Cochrane Library數據庫，搜集KOA風險預測模型的相關研究，檢索時限均為建庫至2024年4月。由2名研究員獨立篩選文獻和提取數據后，采用PROBAST偏倚風險評估工具對風險預測模型進行偏倚風險和適用性評價。結果共納入12篇文獻，包含21個KOA發病風險預測模型。預測因子數量在3～12個之間，最常見的預測因子為年齡、性別、BMI。納入模型的建模受試者工作特征曲線下面積（area under curve，AUC）范圍為0.554～0.948，驗模AUC范圍為0.6～0.94。模型總體預測性能一般，且整體偏倚風險高，超過一半的模型未進行外部驗證。結論目前KOA發病風險預測模型整體質量和適用性還有較大提升空間，未來建模可遵循CHARMS和PROBAST降低偏倚風險，探索多種建模方法的組合，并加強對模型的外部驗證。

引用本文： 劉凌, 李惠菁, 張治, 胡笑燊, 馬云. 膝骨關節炎風險預測模型的系統評價. 中國循證醫學雜志, 2024, 24(9): 1038-1043. doi: 10.7507/1672-2531.202405081 復制

膝骨關節炎（knee osteoarthritis，KOA）是一種以關節軟骨進行性破壞為主要特征的慢性退行性疾病，通常會引起關節持續性疼痛和活動受限，可累及整個關節，包括骨骼、滑膜和關節囊^[1]。流行病學調查顯示，在全球40歲及以上人群中的患病率為22.9%^[2]，我國55歲以上的人群中60%有KOA影像學改變，65歲以上的老年人KOA的發病率達85%，KOA總患病率為18%，且隨著人口老齡化加劇，該病的發病率也在逐年升高^[3]。目前，早期KOA的治療方式主要是口服非甾體抗炎藥、晚期可行關節置換以及其他手術干預，但治療效果不太理想，口服藥會產生耐受性，手術具有一定的手術風險和植入物松動的可能性^[4]。因此，預防和早期識別KOA至關重要。目前已有相關研究對KOA發病的危險因素進行探討，并建立預測模型，預測KOA的發病風險，以助于篩選高危人群，實現早期干預^[5]。該領域存在多種方法和變量，模型的構建方法不同，納入的預測因子不同，結果也存在一定的異質性。因此，本文對KOA發病風險預測模型進行系統評價，識別、評估和綜合這些預測模型的質量和性能，以期為未來KOA預測模型的研究提供建議和參考。

1 資料和方法

1.1 納入與排除標準

1.1.1 研究類型

隊列研究、病例-對照研究和橫斷面研究。

1.1.2 研究對象

年齡≥18歲人群。

1.1.3 研究內容

KOA發病風險預測模型的開發或驗證研究。

1.1.4 排除標準

① 僅探討KOA危險因素，并未建立預測模型的研究；② 非中、英文文獻；③ 無法獲得全文或信息不全。

1.2 文獻檢索策略

計算機檢索CNKI、WanFang Data、VIP、PubMed、Embase、Web of Science 和Cochrane Library數據庫，搜集KOA發病風險預測模型的相關文獻，檢索時限均為建庫至2024年4月。檢索采用主題詞與自由詞相結合的方式進行，并根據各數據庫特點進行調整。同時檢索納入研究的參考文獻，以補充獲取相關資料。中文檢索詞包括：膝關節骨性關節炎、膝骨關節炎、膝關節骨關節炎、風險評分、預測風險因素評分、篩查模型、篩查工具、危險因素評分等；英文檢索詞包括：knee osteoarthriti*、osteoarthritis of knee、osteoarthritis of the knee、prediction model、prognostic model、risk prediction、risk score、risk assessment等。

1.3 文獻篩選與資料提取

由2名研究者獨立篩選文獻、提取資料并交叉核對。如有分歧，則通過討論或與第三方協商解決。根據預測模型研究系統評價的關鍵評估和數據提取清單（critical appraisal and data extraction for systematic reviews of prediction modelling studies，CHARMS）^[6]，提取數據并制定表格。資料提取內容包括：第一作者、國家、研究類型、候選變量、樣本量、缺失數據、建立模型方法、變量選擇、模型性能、模型呈現形式和最終包含的預測因子等。

1.4 納入研究的偏倚風險和適用性評估

由2名研究者采用預測模型研究的偏倚風險評估工具（prediction model risk of bias assessment tool，PROBAST）^[7,8]對納入研究的偏倚風險和適用性獨立進行評價。

1.5 統計分析

對納入預測模型的建立情況、性能及驗證、偏倚風險與適用性評價結果進行描述性分析。

2 結果

2.1 文獻檢索結果

初檢共獲得相關文獻1 877篇，包括CNKI（n=262）、WanFang Data（n=1 078）、VIP（n=87）、PubMed（n=123）、Web of Science（n=94）、Embase（n=179）和Cochrane Library（n=54），經逐層篩選后，最終納入12篇文獻^[9-20]。文獻篩選流程及結果見附件圖1。

2.2 納入研究的基本特征

納入研究的基本特征見表1。

表1 納入研究的基本特征

表選項

下載CSV

納入研究	國家	研究設計	研究/數據來源	模型類型
王浩2023^[9]	中國	隊列研究	寧夏回族自治區人民醫院	開發
邵文娟2023^[10]	中國	橫斷面研究	南京市棲霞區邁皋橋街道和西崗街道的10個社區	開發
McCabe 2022^[11]	英國	隊列研究	B：OAI；EV：MOST	開發、驗證
Landsmeer 2019^[12]	荷蘭	隊列研究	PROOF	開發、驗證
Magnusson 2019^[13]	瑞典	隊列研究	瑞典國家病人登記處	開發
Yoo 2016^[14]	韓國	橫斷面研究	KNHANES V-1/OAI	開發、驗證
Kerkhof 2013^[15]	荷蘭	隊列研究	鹿特丹研究	開發、驗證
Zhang 2011^[16]	英國	隊列研究	諾丁漢普通人群	開發、驗證
Takahashi 2010^[17]	日本	病例-對照研究	日本醫療機構及三重縣大代町和南伊勢町的居民	開發
Wang 2021^[18]	中國	隊列研究	中國健康與退休縱向研究	開發
Garriga 2020^[19]	英國	隊列研究	Chingford數據庫	開發
Zhang 2024^[20]	中國	隊列研究	承德醫科大學附屬醫院	開發
B：測試集；EV：外部驗證；OAI：骨關節炎倡議；MOST：多中心骨關節炎研究；PROOF：超重女性膝關節骨性關節炎的預防；KNHANES V-1：第五次韓國國家健康與營養調查。

2.3 預測模型的建立情況

共納入12項研究，包含21個模型，模型建立情況的基本特征見表2。

表2 模型建立情況的基本特征

表選項

下載CSV

表2 模型建立情況的基本特征

納入研究	樣本量		預測因子			缺失數據處理方法
納入研究	總體	發生結局事件人數	預測因子篩選方法	最終預測因子個數	預測因子內容	缺失數據處理方法
王浩2023^[9]	705	451	多因素分析、向后步進法	8	年齡、女性、吸煙30年以上、幾乎不吃蔬菜水果、每天吃高脂食物、每天吃高蛋白類食物、蹲便習慣、患有骨質疏松	無
邵文娟2023^[10]	1 114	247	文獻回顧、臨床經驗、單因素分析	10	年齡、性別、身高、體重、BMI、大腿圍、30秒坐站、膝關節屈曲度、閉眼單腳站、計時起立行走	無
McCabe 2022^[11]	B：1 353；IV：1 354；EV：831	B：547；IV：533；EV：559	文獻回顧	7	年齡、BMI、基線癥狀、性別、過去30天內影響活動的膝關節疼痛、上樓困難和膝關節僵硬	無
Landsmeer 2019^[12]	235；EV：246	70；EV：19	文獻回顧、臨床經驗、向后步進法	7	年齡、BMI、輕度膝關節癥狀、爬樓梯時膝關節問題、晨僵、絕經后狀態和體力勞動	無
Magnusson 2019^[13]	40 118	2 052	文獻回顧	3	年齡、BMI、膝蓋損傷	無
Yoo 2016^[14]	B：1 777；IV：888；EV：4 731	B：660；IV：298；EV：2 638	多因素分析	7	性別、年齡、BMI、教育狀況（大學畢業）、高血壓、適度體力活動和膝關節疼痛	無
Kerkhof 2013^[15]	2 628	474	單因素分析	3～12	性別、年齡、BMI、膝蓋疼痛、殘疾指數、一般健康、吸煙、教育程度、繁重工作、遺傳評分、手OA、髖部OA	無
Zhang 2011^[16]	424	179	多因素分析	6	性別、年齡、BMI、職業風險、膝蓋損傷、家族遺傳史	無
Takahashi 2010^[17]	2 158	933	文獻回顧	3～6	ASPN、GDF5和DVW、性別、年齡、BMI	無
Wang 2021^[18]	8 193	815	單因素分析、多因素分析	10	年齡、性別、腰圍、居住區、ADL/IADLS難度、髖部骨折史、抑郁癥狀、慢性合并癥數量、健康狀況、MPA水平	多重插補
Garriga 2020^[19]	1 184（膝蓋數）	109（膝蓋數）	單因素分析、多因素分析	3～7	年齡、股四頭肌周長、軟骨退化標志物、膝關節疼痛（同側）、膝關節K/L 1級、對側膝關節K/L等級≥2、髖關節α角、脊L1～L4的骨密度評分	多重插補
Zhang 2024^[20]	582	392	LASSO回歸分析、多因素分析	9	年齡、血細胞比容、血小板計數、載脂蛋白a1、鉀、鎂、羥基丁酸脫氫酶、肌酸激酶和估計腎小球濾過率	無
B：測試集；IV：內部驗證；EV：外部驗證；ASPN：阿斯波林；GDF5：生長分化因子5；DVWA：雙von Willebrand因子A域；ADL/IADLS：日常生活活動困難/日常生活工具活動；MPA：自評健康狀況和中度體力活動水平；K/L：Kellgren & Lawrence評分。

2.4 預測模型性能及驗證

納入研究的預測模型性能及驗證見表3。

表3 預測模型性能及驗證

表選項

下載CSV

納入研究	建模方法	模型性能		AUC	驗證方法	模型呈現形式
王浩2023^[9]	Logistic回歸	AUC	校準曲線、Hosmer-Lemeshow擬合優度檢驗		0.745	0.735	IV	列線圖
邵文娟2023^[10]	貝葉斯網絡	AUC	?	?	0.722	IV	?
McCabe 2022^[11]	Logistic回歸	AUC	?	0.741	IV：0.748；EV：0.670	IV、EV	移動網站和應用程序
Landsmeer 2019^[12]	Logistic回歸	AUC	Hosmer-Lemeshow擬合優度檢驗	?	IV：0.710；EV：0.810	IV、EV	?
Magnusson 2019^[13]	Logistic回歸	AUC	校準曲線	0.600	?	IV	公式
Yoo 2016^[14]	人工神經網絡ANN	AUC	?	?	IV：0.810～0.940；EV：0.670～0.760	IV、EV	網頁計算器
Kerkhof 2013^[15]	Logistic回歸	AUC	Hosmer-Lemeshow擬合優度檢驗	0.660～0.790	EV₁：0.600～0.860；EV₂：0.610～0.760	EV	?
Zhang 2011^[16]	Logistic回歸	AUC	Hosmer-Lemeshow擬合優度檢驗	0.690～0.700	0.740～0.790	EV	公式
Takahashi 2010^[17]	Logistic回歸	AUC	?	0.554～0.685	0.717	IV	公式
Wang 2021^[18]	Logistic回歸	AUC	校準曲線	0.719	0.712	IV	評分系統
Garriga 2020^[19]	Logistic回歸	AUC	校準曲線	0.699～0.809	0.692～0.797	IV	公式/評分系統
Zhang 2024^[20]	Logistic回歸	AUC Cindex	校準曲線	0.948	?	?	列線圖
AUC：受試者工作特征曲線下面積；IV：內部驗證；EV：外部驗證；?：未報道。

2.5 偏倚風險與適用性評價結果

納入研究的偏倚風險與適用性評價結果見表4。

表4 偏倚風險與適用性評價結果

表選項

下載CSV

納入研究	偏倚風險		適用性		總體
王浩2023^[9]	低	高	不清楚	不清楚		高	低	不清楚		高	高
邵文娟2023^[10]	高	低	不清楚	高	高	低	不清楚	高	高
McCabe 2022^[11]	低	低	低	高	低	低	低	高	低
Landsmeer 2019^[12]	低	高	高	不清楚	高	低	低	高	高
Magnusson 2019^[13]	低	低	不清楚	不清楚	高	低	低	高	高
Yoo 2016^[14]	低	高	高	高	低	低	低	高	低
Kerkhof 2013^[15]	低	高	低	不清楚	低	低	低	高	低
Zhang 2011^[16]	高	低	低	不清楚	高	低	低	高	高
Takahashi 2010^[17]	低	高	不清楚	不清楚	低	低	不清楚	高	不清楚
Wang 2021^[18]	低	高	低	高	低	低	低	高	低
Garriga 2020^[19]	低	高	高	低	高	低	低	高	高
Zhang 2024^[20]	高	高	不清楚	高	低	低	不清楚	高	不清楚

3 討論

本文共納入12項研究，包含21個模型。納入模型大多報告具有良好的區分度，部分研究缺少校準方法，且多數研究缺少外部驗證。納入研究的總體偏倚風險偏高，問題主要集中于預測因子領域，大多由于評估預測因子時未采用盲法。因限定了研究對象，大部分研究的總體適用性高。

納入研究的預測因子主要包括年齡、性別和BMI。有研究^[21]表明，KOA的發病率隨年齡的增長而上升。在老年人群中，與衰老相關的各種因素都可導致KOA的發展。線粒體功能障礙、氧化應激和自噬減少會改變軟骨細胞功能，促進合成代謝過程中的分解代謝過程和細胞死亡^[22]，衰老細胞的積累可誘導KOA的進展^[23]。老年人長期積累關節使用和損傷，從而發生關節軟骨的磨損、關節結構的退行性變化以及肌肉和韌帶的退化，隨著年齡的增長，股四頭肌肌肉萎縮，肌力減弱，使步態和壓力產生變化^[24]，影響KOA的發生發展。Novin等^[25]發現，相比于男性，女性患有KOA或具有KOA影像學特征（如外側關節間隙狹窄、脛骨內側骨贅）的概率高出50%，且發病年齡也早于男性。在運動學中，Nishino等^[26]研究發現，男性和女性的膝關節存在顯著差異，男性的軸向旋轉范圍較小，而女性的外翻旋轉范圍較寬，由于生理特征，女性的膝關節更容易受傷。Culvenor等^[27]指出，肌肉無力會導致KOA進展，肌肉力量偏低的女性疾病進展的風險大大增加。此外，雌激素可以維持關節穩態，缺乏雌激素會引起骨質疏松，并成為關節炎的危險因素之一，因此絕經后女性更容易發生KOA^[28]。Huang等^[29]在研究中指出BMI對KOA具有潛在的正因果效應。一項Meta分析^[30]發現肥胖和超重與KOA風險顯著相關。BMI增加導致KOA風險增加的一個重要因素是體重過重會使膝蓋承受主要的負荷^[31]。實驗表明，體重負荷到軟骨上可以誘導軟骨變形和病變^[32]。一項臨床研究^[33]證實，異常的負荷會導致關節軟骨的組成、結構和機械性能發生變化。此外，膝關節損傷也是常見的危險因素。一項Meta分析^[34]表明，既往膝關節損傷史是發生KOA的重要危險因素，交叉韌帶和半月板損傷可提高KOA的發生率^[35]。Yoo的研究^[14]納入了高血壓作為預測因素，發現高血壓與KOA有關，分析其原因可能是高血壓相關的動脈硬化引起關節下軟骨丟失和局部代謝性炎癥因素^[36]。另外生物標志物、影像學特征也是重要的預測因子，未來研究可從臨床數據中挖掘KOA發病的預測因子，增強模型的說服力。

納入模型中，建模受試者工作特征曲線下面積（area under curve，AUC）的范圍為0.554～0.948之間，驗模AUC的范圍為0.6～0.94，建模AUC有4個效果一般，2個效果良好，驗模AUC有10個效果一般，4個效果良好，說明現有模型總體的預測性能效果一般，具有較大的提升空間^[37]。Takahashi的研究^[17]將易感因子納入預測因子，建立了三個模型，但AUC值（0.554～0.678）較低，通過結合臨床數據和調整年齡后進一步改進模型，獲得的平均AUC為0.867。Yoo等^[14]使用人工神經網絡為建模方法構建了放射學KOA和癥狀性KOA模型，在內部驗證中，癥狀性KOA的AUC高達0.948，說明有良好的鑒別能力。有5項研究采用了外部驗證，外部驗證可以檢驗模型的推廣性和泛化能力，為臨床應用做準備^[38]。Kerkhof等^[15]的研究外部驗證的AUC高達0.86，模型中納入了KL評分。KL評分是通過站立位的膝關節X光片評估KOA嚴重程度的分級方法，一般認為KL≥2為患有KOA，該研究首次證明了這一風險因素的預測價值，意味著可疑的輕度退行性改變（如KL評分1所示）是未來KOA事件的重要預測因素。

12項納入研究總體偏倚風險均呈高風險。本研究使用的工具是PROBAST，為評估預測模型研究提供了一種標準化的評估框架^[8]。8項研究在評估預測因子均未采用盲法，結果的信息可能會對預測因子的評估過程產生影響，導致偏倚。為了精確地評價一個預測模型的預測能力，需評估研究中模型的區分度和校準度，區分度是能夠有效區分不同風險水平的能力，校準度是預測實際發生的概率^[37,39]。4項研究未報告校準度的信息，僅報告區分度，可能會導致預測模型出現一致性偏倚。為了提高風險預測模型的準確性和臨床應用價值，在模型開發完成后，需要對模型的區分度和校準度進行細致地評估，有助于提升模型的預測性能和促進向臨床應用的轉化。在設計研究方法時，可以參考CHARMS和PROBAST的指導原則^[6,7]，以利于構建出低偏倚風險和適用性高的預測模型。

現有模型的數據來源大都是來自OAI數據庫，其是一項針對KOA的多中心、前瞻性觀察研究；預測因子以人口統計學、臨床因素、影像學因素為主；部分模型的結果包含預測因子，可能會增加模型與實際結果的關聯性；在統計分析方面，部分文章沒有對模型的預測性能進行全面評估。在未來研究中，可考慮納入多中心研究，擴大樣本量，有利于識別模型在不同人群中的表現，并為模型的調整提供依據。目前建模方法以Logistic回歸為主，優點是易于解釋且在醫學領域應用廣泛；貝葉斯網絡可以呈現不確定性和因果關系；人工神經網絡能夠處理數據中的大量輸入特征和非線性關系^[11]。除此之外還有隨機森林、決策樹等建模方法，具有訓練速度快，功能強大等優點^[40]。未來研究可結合不同建模方法的優點，以探索多種方法的組合，從而得出最有效的預測模型。此外，目前大部分研究缺少外部驗證，而外部驗證是評估預測模型泛化能力的重要步驟，其結果可以識別模型的不足，指導模型的進一步改進，避免發生欠擬合和過擬合的情況，從而增加該模型的適用性。后續研究應選擇在不同時間段或地理區域收集的數據集對模型進行驗證，必要時根據外部驗證的結果對模型進行必要的更新和維護。

本研究存在一定的局限性：① 僅納入中、英文文獻，可能存在發表偏倚；② 納入的KOA風險預測模型偏倚風險較高；③ 由于納入的研究對象存在異質性，只進行了定性分析，評價結果相對局限。

綜上所述，本研究對KOA發病風險預測模型研究進行系統評價，模型總體預測性能一般，且整體偏倚風險高，超過一半的模型未進行外部驗證。建議未來建模可遵循CHARMS和PROBAST降低偏倚風險，增加具有理論基礎和臨床意義的預測因子，并加強對模型的驗證，以提高預測模型的臨床應用。

1 資料和方法

1.1 納入與排除標準

1.1.1 研究類型

隊列研究、病例-對照研究和橫斷面研究。

1.1.2 研究對象

年齡≥18歲人群。

1.1.3 研究內容

KOA發病風險預測模型的開發或驗證研究。

1.1.4 排除標準

① 僅探討KOA危險因素，并未建立預測模型的研究；② 非中、英文文獻；③ 無法獲得全文或信息不全。

1.2 文獻檢索策略

1.3 文獻篩選與資料提取

1.4 納入研究的偏倚風險和適用性評估

由2名研究者采用預測模型研究的偏倚風險評估工具（prediction model risk of bias assessment tool，PROBAST）^[7,8]對納入研究的偏倚風險和適用性獨立進行評價。

1.5 統計分析

對納入預測模型的建立情況、性能及驗證、偏倚風險與適用性評價結果進行描述性分析。

2 結果

2.1 文獻檢索結果

2.2 納入研究的基本特征

納入研究的基本特征見表1。

表1 納入研究的基本特征

表選項

下載CSV

納入研究	國家	研究設計	研究/數據來源	模型類型
王浩2023^[9]	中國	隊列研究	寧夏回族自治區人民醫院	開發
邵文娟2023^[10]	中國	橫斷面研究	南京市棲霞區邁皋橋街道和西崗街道的10個社區	開發
McCabe 2022^[11]	英國	隊列研究	B：OAI；EV：MOST	開發、驗證
Landsmeer 2019^[12]	荷蘭	隊列研究	PROOF	開發、驗證
Magnusson 2019^[13]	瑞典	隊列研究	瑞典國家病人登記處	開發
Yoo 2016^[14]	韓國	橫斷面研究	KNHANES V-1/OAI	開發、驗證
Kerkhof 2013^[15]	荷蘭	隊列研究	鹿特丹研究	開發、驗證
Zhang 2011^[16]	英國	隊列研究	諾丁漢普通人群	開發、驗證
Takahashi 2010^[17]	日本	病例-對照研究	日本醫療機構及三重縣大代町和南伊勢町的居民	開發
Wang 2021^[18]	中國	隊列研究	中國健康與退休縱向研究	開發
Garriga 2020^[19]	英國	隊列研究	Chingford數據庫	開發
Zhang 2024^[20]	中國	隊列研究	承德醫科大學附屬醫院	開發
B：測試集；EV：外部驗證；OAI：骨關節炎倡議；MOST：多中心骨關節炎研究；PROOF：超重女性膝關節骨性關節炎的預防；KNHANES V-1：第五次韓國國家健康與營養調查。

2.3 預測模型的建立情況

共納入12項研究，包含21個模型，模型建立情況的基本特征見表2。

表2 模型建立情況的基本特征

表選項

下載CSV

表2 模型建立情況的基本特征

納入研究	樣本量		預測因子			缺失數據處理方法
納入研究	總體	發生結局事件人數	預測因子篩選方法	最終預測因子個數	預測因子內容	缺失數據處理方法
王浩2023^[9]	705	451	多因素分析、向后步進法	8	年齡、女性、吸煙30年以上、幾乎不吃蔬菜水果、每天吃高脂食物、每天吃高蛋白類食物、蹲便習慣、患有骨質疏松	無
邵文娟2023^[10]	1 114	247	文獻回顧、臨床經驗、單因素分析	10	年齡、性別、身高、體重、BMI、大腿圍、30秒坐站、膝關節屈曲度、閉眼單腳站、計時起立行走	無
McCabe 2022^[11]	B：1 353；IV：1 354；EV：831	B：547；IV：533；EV：559	文獻回顧	7	年齡、BMI、基線癥狀、性別、過去30天內影響活動的膝關節疼痛、上樓困難和膝關節僵硬	無
Landsmeer 2019^[12]	235；EV：246	70；EV：19	文獻回顧、臨床經驗、向后步進法	7	年齡、BMI、輕度膝關節癥狀、爬樓梯時膝關節問題、晨僵、絕經后狀態和體力勞動	無
Magnusson 2019^[13]	40 118	2 052	文獻回顧	3	年齡、BMI、膝蓋損傷	無
Yoo 2016^[14]	B：1 777；IV：888；EV：4 731	B：660；IV：298；EV：2 638	多因素分析	7	性別、年齡、BMI、教育狀況（大學畢業）、高血壓、適度體力活動和膝關節疼痛	無
Kerkhof 2013^[15]	2 628	474	單因素分析	3～12	性別、年齡、BMI、膝蓋疼痛、殘疾指數、一般健康、吸煙、教育程度、繁重工作、遺傳評分、手OA、髖部OA	無
Zhang 2011^[16]	424	179	多因素分析	6	性別、年齡、BMI、職業風險、膝蓋損傷、家族遺傳史	無
Takahashi 2010^[17]	2 158	933	文獻回顧	3～6	ASPN、GDF5和DVW、性別、年齡、BMI	無
Wang 2021^[18]	8 193	815	單因素分析、多因素分析	10	年齡、性別、腰圍、居住區、ADL/IADLS難度、髖部骨折史、抑郁癥狀、慢性合并癥數量、健康狀況、MPA水平	多重插補
Garriga 2020^[19]	1 184（膝蓋數）	109（膝蓋數）	單因素分析、多因素分析	3～7	年齡、股四頭肌周長、軟骨退化標志物、膝關節疼痛（同側）、膝關節K/L 1級、對側膝關節K/L等級≥2、髖關節α角、脊L1～L4的骨密度評分	多重插補
Zhang 2024^[20]	582	392	LASSO回歸分析、多因素分析	9	年齡、血細胞比容、血小板計數、載脂蛋白a1、鉀、鎂、羥基丁酸脫氫酶、肌酸激酶和估計腎小球濾過率	無
B：測試集；IV：內部驗證；EV：外部驗證；ASPN：阿斯波林；GDF5：生長分化因子5；DVWA：雙von Willebrand因子A域；ADL/IADLS：日常生活活動困難/日常生活工具活動；MPA：自評健康狀況和中度體力活動水平；K/L：Kellgren & Lawrence評分。

2.4 預測模型性能及驗證

納入研究的預測模型性能及驗證見表3。

表3 預測模型性能及驗證

表選項

下載CSV

納入研究	建模方法	模型性能		AUC	驗證方法	模型呈現形式
王浩2023^[9]	Logistic回歸	AUC	校準曲線、Hosmer-Lemeshow擬合優度檢驗		0.745	0.735	IV	列線圖
邵文娟2023^[10]	貝葉斯網絡	AUC	?	?	0.722	IV	?
McCabe 2022^[11]	Logistic回歸	AUC	?	0.741	IV：0.748；EV：0.670	IV、EV	移動網站和應用程序
Landsmeer 2019^[12]	Logistic回歸	AUC	Hosmer-Lemeshow擬合優度檢驗	?	IV：0.710；EV：0.810	IV、EV	?
Magnusson 2019^[13]	Logistic回歸	AUC	校準曲線	0.600	?	IV	公式
Yoo 2016^[14]	人工神經網絡ANN	AUC	?	?	IV：0.810～0.940；EV：0.670～0.760	IV、EV	網頁計算器
Kerkhof 2013^[15]	Logistic回歸	AUC	Hosmer-Lemeshow擬合優度檢驗	0.660～0.790	EV₁：0.600～0.860；EV₂：0.610～0.760	EV	?
Zhang 2011^[16]	Logistic回歸	AUC	Hosmer-Lemeshow擬合優度檢驗	0.690～0.700	0.740～0.790	EV	公式
Takahashi 2010^[17]	Logistic回歸	AUC	?	0.554～0.685	0.717	IV	公式
Wang 2021^[18]	Logistic回歸	AUC	校準曲線	0.719	0.712	IV	評分系統
Garriga 2020^[19]	Logistic回歸	AUC	校準曲線	0.699～0.809	0.692～0.797	IV	公式/評分系統
Zhang 2024^[20]	Logistic回歸	AUC Cindex	校準曲線	0.948	?	?	列線圖
AUC：受試者工作特征曲線下面積；IV：內部驗證；EV：外部驗證；?：未報道。

2.5 偏倚風險與適用性評價結果

納入研究的偏倚風險與適用性評價結果見表4。

表4 偏倚風險與適用性評價結果

表選項

下載CSV

納入研究	偏倚風險		適用性		總體
王浩2023^[9]	低	高	不清楚	不清楚		高	低	不清楚		高	高
邵文娟2023^[10]	高	低	不清楚	高	高	低	不清楚	高	高
McCabe 2022^[11]	低	低	低	高	低	低	低	高	低
Landsmeer 2019^[12]	低	高	高	不清楚	高	低	低	高	高
Magnusson 2019^[13]	低	低	不清楚	不清楚	高	低	低	高	高
Yoo 2016^[14]	低	高	高	高	低	低	低	高	低
Kerkhof 2013^[15]	低	高	低	不清楚	低	低	低	高	低
Zhang 2011^[16]	高	低	低	不清楚	高	低	低	高	高
Takahashi 2010^[17]	低	高	不清楚	不清楚	低	低	不清楚	高	不清楚
Wang 2021^[18]	低	高	低	高	低	低	低	高	低
Garriga 2020^[19]	低	高	高	低	高	低	低	高	高
Zhang 2024^[20]	高	高	不清楚	高	低	低	不清楚	高	不清楚

3 討論

表1 納入研究的基本特征

納入研究	國家	研究設計	研究/數據來源	模型類型
王浩2023^[9]	中國	隊列研究	寧夏回族自治區人民醫院	開發
邵文娟2023^[10]	中國	橫斷面研究	南京市棲霞區邁皋橋街道和西崗街道的10個社區	開發
McCabe 2022^[11]	英國	隊列研究	B：OAI；EV：MOST	開發、驗證
Landsmeer 2019^[12]	荷蘭	隊列研究	PROOF	開發、驗證
Magnusson 2019^[13]	瑞典	隊列研究	瑞典國家病人登記處	開發
Yoo 2016^[14]	韓國	橫斷面研究	KNHANES V-1/OAI	開發、驗證
Kerkhof 2013^[15]	荷蘭	隊列研究	鹿特丹研究	開發、驗證
Zhang 2011^[16]	英國	隊列研究	諾丁漢普通人群	開發、驗證
Takahashi 2010^[17]	日本	病例-對照研究	日本醫療機構及三重縣大代町和南伊勢町的居民	開發
Wang 2021^[18]	中國	隊列研究	中國健康與退休縱向研究	開發
Garriga 2020^[19]	英國	隊列研究	Chingford數據庫	開發
Zhang 2024^[20]	中國	隊列研究	承德醫科大學附屬醫院	開發
B：測試集；EV：外部驗證；OAI：骨關節炎倡議；MOST：多中心骨關節炎研究；PROOF：超重女性膝關節骨性關節炎的預防；KNHANES V-1：第五次韓國國家健康與營養調查。

表選項

下載CSV

表2 模型建立情況的基本特征

納入研究	樣本量		預測因子			缺失數據處理方法
納入研究	總體	發生結局事件人數	預測因子篩選方法	最終預測因子個數	預測因子內容	缺失數據處理方法
王浩2023^[9]	705	451	多因素分析、向后步進法	8	年齡、女性、吸煙30年以上、幾乎不吃蔬菜水果、每天吃高脂食物、每天吃高蛋白類食物、蹲便習慣、患有骨質疏松	無
邵文娟2023^[10]	1 114	247	文獻回顧、臨床經驗、單因素分析	10	年齡、性別、身高、體重、BMI、大腿圍、30秒坐站、膝關節屈曲度、閉眼單腳站、計時起立行走	無
McCabe 2022^[11]	B：1 353；IV：1 354；EV：831	B：547；IV：533；EV：559	文獻回顧	7	年齡、BMI、基線癥狀、性別、過去30天內影響活動的膝關節疼痛、上樓困難和膝關節僵硬	無
Landsmeer 2019^[12]	235；EV：246	70；EV：19	文獻回顧、臨床經驗、向后步進法	7	年齡、BMI、輕度膝關節癥狀、爬樓梯時膝關節問題、晨僵、絕經后狀態和體力勞動	無
Magnusson 2019^[13]	40 118	2 052	文獻回顧	3	年齡、BMI、膝蓋損傷	無
Yoo 2016^[14]	B：1 777；IV：888；EV：4 731	B：660；IV：298；EV：2 638	多因素分析	7	性別、年齡、BMI、教育狀況（大學畢業）、高血壓、適度體力活動和膝關節疼痛	無
Kerkhof 2013^[15]	2 628	474	單因素分析	3～12	性別、年齡、BMI、膝蓋疼痛、殘疾指數、一般健康、吸煙、教育程度、繁重工作、遺傳評分、手OA、髖部OA	無
Zhang 2011^[16]	424	179	多因素分析	6	性別、年齡、BMI、職業風險、膝蓋損傷、家族遺傳史	無
Takahashi 2010^[17]	2 158	933	文獻回顧	3～6	ASPN、GDF5和DVW、性別、年齡、BMI	無
Wang 2021^[18]	8 193	815	單因素分析、多因素分析	10	年齡、性別、腰圍、居住區、ADL/IADLS難度、髖部骨折史、抑郁癥狀、慢性合并癥數量、健康狀況、MPA水平	多重插補
Garriga 2020^[19]	1 184（膝蓋數）	109（膝蓋數）	單因素分析、多因素分析	3～7	年齡、股四頭肌周長、軟骨退化標志物、膝關節疼痛（同側）、膝關節K/L 1級、對側膝關節K/L等級≥2、髖關節α角、脊L1～L4的骨密度評分	多重插補
Zhang 2024^[20]	582	392	LASSO回歸分析、多因素分析	9	年齡、血細胞比容、血小板計數、載脂蛋白a1、鉀、鎂、羥基丁酸脫氫酶、肌酸激酶和估計腎小球濾過率	無
B：測試集；IV：內部驗證；EV：外部驗證；ASPN：阿斯波林；GDF5：生長分化因子5；DVWA：雙von Willebrand因子A域；ADL/IADLS：日常生活活動困難/日常生活工具活動；MPA：自評健康狀況和中度體力活動水平；K/L：Kellgren & Lawrence評分。

表選項

下載CSV

表3 預測模型性能及驗證

納入研究	建模方法	模型性能		AUC	驗證方法	模型呈現形式
王浩2023^[9]	Logistic回歸	AUC	校準曲線、Hosmer-Lemeshow擬合優度檢驗		0.745	0.735	IV	列線圖
邵文娟2023^[10]	貝葉斯網絡	AUC	?	?	0.722	IV	?
McCabe 2022^[11]	Logistic回歸	AUC	?	0.741	IV：0.748；EV：0.670	IV、EV	移動網站和應用程序
Landsmeer 2019^[12]	Logistic回歸	AUC	Hosmer-Lemeshow擬合優度檢驗	?	IV：0.710；EV：0.810	IV、EV	?
Magnusson 2019^[13]	Logistic回歸	AUC	校準曲線	0.600	?	IV	公式
Yoo 2016^[14]	人工神經網絡ANN	AUC	?	?	IV：0.810～0.940；EV：0.670～0.760	IV、EV	網頁計算器
Kerkhof 2013^[15]	Logistic回歸	AUC	Hosmer-Lemeshow擬合優度檢驗	0.660～0.790	EV₁：0.600～0.860；EV₂：0.610～0.760	EV	?
Zhang 2011^[16]	Logistic回歸	AUC	Hosmer-Lemeshow擬合優度檢驗	0.690～0.700	0.740～0.790	EV	公式
Takahashi 2010^[17]	Logistic回歸	AUC	?	0.554～0.685	0.717	IV	公式
Wang 2021^[18]	Logistic回歸	AUC	校準曲線	0.719	0.712	IV	評分系統
Garriga 2020^[19]	Logistic回歸	AUC	校準曲線	0.699～0.809	0.692～0.797	IV	公式/評分系統
Zhang 2024^[20]	Logistic回歸	AUC Cindex	校準曲線	0.948	?	?	列線圖
AUC：受試者工作特征曲線下面積；IV：內部驗證；EV：外部驗證；?：未報道。

表選項

下載CSV

表4 偏倚風險與適用性評價結果

納入研究	偏倚風險		適用性		總體
王浩2023^[9]	低	高	不清楚	不清楚		高	低	不清楚		高	高
邵文娟2023^[10]	高	低	不清楚	高	高	低	不清楚	高	高
McCabe 2022^[11]	低	低	低	高	低	低	低	高	低
Landsmeer 2019^[12]	低	高	高	不清楚	高	低	低	高	高
Magnusson 2019^[13]	低	低	不清楚	不清楚	高	低	低	高	高
Yoo 2016^[14]	低	高	高	高	低	低	低	高	低
Kerkhof 2013^[15]	低	高	低	不清楚	低	低	低	高	低
Zhang 2011^[16]	高	低	低	不清楚	高	低	低	高	高
Takahashi 2010^[17]	低	高	不清楚	不清楚	低	低	不清楚	高	不清楚
Wang 2021^[18]	低	高	低	高	低	低	低	高	低
Garriga 2020^[19]	低	高	高	低	高	低	低	高	高
Zhang 2024^[20]	高	高	不清楚	高	低	低	不清楚	高	不清楚

表選項

下載CSV

1.	Zhang ZY, Huang L, Tian L, et al. Home-based vs center-based exercise on patient-reported and performance-based outcomes for knee osteoarthritis: a systematic review with meta-analysis. Front Public Health, 2024, 12: 1360824.
2.	Cui A, Li H, Wang D, et al. Global, regional prevalence, incidence and risk factors of knee osteoarthritis in population-based studies. EClinicalMedicine, 2020, 29-30: 100587.
3.	王歡. 中西醫結合治療膝骨關節炎(膝痹)專家共識. 世界中醫藥, 2023, 18(17): 2407-2412.
4.	Huang Y, Huang H, Chen Q, et al. Efficacy and immune-inflammatory mechanism of acupuncture-related therapy in animal models of knee osteoarthritis: a preclinical systematic review and network meta-analysis. J Orthop Surg Res, 2024, 19(1): 177.
5.	王麗敏, 陳泓伯, 魯寒, 等. 膝關節骨性關節炎疾病負擔與疾病風險模型研究進展. 護理研究, 2020, 34(20): 3642-3646.
6.	Moons KG, de Groot JA, Bouwmeester W, et al. Critical appraisal and data extraction for systematic reviews of prediction modelling studies: the CHARMS checklist. PLoS Med, 2014, 11(10): e1001744.
7.	Moons KGM, Wolff RF, Riley RD, et al. PROBAST: a tool to assess risk of bias and applicability of prediction model studies: explanation and elaboration. Ann Intern Med, 2019, 170(1): W1-W33.
8.	陳香萍, 張奕, 莊一渝, 等. PROBAST: 診斷或預后多因素預測模型研究偏倚風險的評估工具. 中國循證醫學雜志, 2020, 20(6): 737-744.
9.	王浩. 膝骨關節炎前瞻性隊列構建及發病風險預測模型研究. 銀川: 寧夏醫科大學, 2023.
10.	邵文娟, 賈瀟, 蔡可書, 等. 基于貝葉斯網絡的膝骨關節炎患病風險定量預測研究. 北京體育大學學報, 2024, 47(3): 124-132.
11.	McCabe PG, Lisboa P, Baltzopoulos B, et al. Externally validated models for first diagnosis and risk of progression of knee osteoarthritis. PLoS One, 2022, 17(7): e0270652.
12.	Landsmeer MLA, Runhaar J, van Middelkoop M, et al. Predicting knee pain and knee osteoarthritis among overweight women. J Am Board Fam Med, 2019, 32(4): 575-584.
13.	Magnusson K, Turkiewicz A, Timpka S, et al. A prediction model for the 40-year risk of knee osteoarthritis in adolescent men. Arthritis Care Res (Hoboken), 2019, 71(4): 558-562.
14.	Yoo TK, Kim DW, Choi SB, et al. Simple scoring system and artificial neural network for knee osteoarthritis risk prediction: a cross-sectional study. PLoS One, 2016, 11(2): e0148724.
15.	Kerkhof HJ, Bierma-Zeinstra SM, Arden NK, et al. Prediction model for knee osteoarthritis incidence, including clinical, genetic and biochemical risk factors. Ann Rheum Dis, 2014, 73(12): 2116-2121.
16.	Zhang W, McWilliams DF, Ingham SL, et al. Nottingham knee osteoarthritis risk prediction models. Ann Rheum Dis, 2011, 70(9): 1599-1604.
17.	Takahashi H, Nakajima M, Ozaki K, et al. Prediction model for knee osteoarthritis based on genetic and clinical information. Arthritis Res Ther, 2010, 12(5): R187.
18.	Wang L, Lu H, Chen H, et al. Development of a model for predicting the 4-year risk of symptomatic knee osteoarthritis in China: a longitudinal cohort study. Arthritis Res Ther, 2021, 23(1): 65.
19.	Garriga C, Sánchez-Santos MT, Judge A, et al. Predicting incident radiographic knee osteoarthritis in middle-aged women within four years: the importance of knee-level prognostic factors. Arthritis Care Res (Hoboken), 2020, 72(1): 88-97.
20.	Zhang Q, Yao Y, Chen Y, et al. A retrospective study of biological risk factors associated with primary knee osteoarthritis and the development of a nomogram model. Int J Gen Med, 2024, 17: 1405-1417.
21.	陳鑒冰, 葉倩云, 朱曉峰. 膝骨關節炎致病危險因素的Meta分析. 暨南大學學報(自然科學與醫學版), 2023, 44(4): 406-415.
22.	Chen X, Gong W, Shao X, et al. METTL3-mediated m6A modification of ATG7 regulates autophagy-GATA4 axis to promote cellular senescence and osteoarthritis progression. Ann Rheum Dis, 2022, 81(1): 87-99.
23.	Xie J, Wang Y, Lu L, et al. Cellular senescence in knee osteoarthritis: molecular mechanisms and therapeutic implications. Ageing Res Rev, 2021, 70: 101413.
24.	Ratzlaff CR, Liang MH. New developments in osteoarthritis. Prevention of injury-related knee osteoarthritis: opportunities for the primary and secondary prevention of knee osteoarthritis. Arthritis Res Ther, 2010, 12(4): 215.
25.	Novin S, Alvarez C, Renner JB, et al. Features of knee and multijoint osteoarthritis by sex and race and ethnicity: a preliminary analysis in the Johnston county health study. J Rheumatol, 2023.
26.	Nishino K, Koga H, Koga Y, et al. Association of isometric quadriceps strength with stride and knee kinematics during gait in community dwelling adults with normal knee or early radiographic knee osteoarthritis. Clin Biomech (Bristol, Avon), 2021, 84: 105325.
27.	Culvenor AG, Ruhdorfer A, Juhl C, et al. Knee extensor strength and risk of structural, symptomatic, and functional decline in knee osteoarthritis: a systematic review and meta-analysis. Arthritis Care Res (Hoboken), 2017, 69(5): 649-658.
28.	Herrero-Beaumont G, Roman-Blas JA, Mediero A, et al. Treating osteoporotic osteoarthritis, or the art of cutting a balding man's hair. Osteoarthritis Cartilage, 2020, 28(3): 239-241.
29.	Huang G, Hong W, Wang K, et al. Causal analysis of body composition measurements in osteoarthritis knee: a two-sample Mendelian randomization study. BMC Musculoskelet Disord, 2024, 25(1): 341.
30.	Zheng H, Chen C. Body mass index and risk of knee osteoarthritis: systematic review and meta-analysis of prospective studies. BMJ Open, 2015, 5(12): e007568.
31.	Zhou ZY, Liu YK, Chen HL, et al. Body mass index and knee osteoarthritis risk: a dose-response meta-analysis. Obesity (Silver Spring), 2014, 22(10): 2180-2185.
32.	Goto K, Imaoka M, Goto M, et al. Effect of body-weight loading onto the articular cartilage on the occurrence of quinolone-induced chondrotoxicity in juvenile rats. Toxicol Lett, 2013, 216(2-3): 124-129.
33.	劉敏, 李玉茹, 王健, 等. 不同步速條件下超重肥胖老年人步態運動學特征. 中國老年學雜志, 2022, 42(13): 3216-3220.
34.	Muthuri SG, McWilliams DF, Doherty M, et al. History of knee injuries and knee osteoarthritis: a meta-analysis of observational studies. Osteoarthritis Cartilage, 2011, 19(11): 1286-1293.
35.	吳煌, 李永忠, 陳亮, 等. 關節鏡半月板治療膝骨關節炎對治療有效率、VAS評分、HSS評分及TNF-α指標水平的應用研究. 現代醫院, 2024, 24(1): 153-155, 161.
36.	黃志, 劉瀚霖, 魏壘, 等. 原發性膝骨關節炎合并高血壓的臨床研究. 實用骨科雜志, 2017, 23(4): 319-322.
37.	魯小丹, 衛建華, 沈建通, 等. 預測模型系統評價的制作方法與步驟. 中國循證醫學雜志, 2023, 23(5): 602-609.
38.	莫航灃, 陳亞萍, 韓慧, 等. 臨床預測模型研究方法與步驟. 中國循證醫學雜志, 2024, 24(2): 228-236.
39.	曹燚, 曾茜, 趙信飛, 等. 卒中相關性肺炎風險預測模型的系統評價. 中國循證醫學雜志, 2023, 23(11): 1259-1268.
40.	Kokkotis C, Moustakidis S, Papageorgiou E, et al. Machine learning in knee osteoarthritis: a review. Osteoarthr Cartil Open, 2020, 2(3): 100069.

1. Zhang ZY, Huang L, Tian L, et al. Home-based vs center-based exercise on patient-reported and performance-based outcomes for knee osteoarthritis: a systematic review with meta-analysis. Front Public Health, 2024, 12: 1360824.
2. Cui A, Li H, Wang D, et al. Global, regional prevalence, incidence and risk factors of knee osteoarthritis in population-based studies. EClinicalMedicine, 2020, 29-30: 100587.
3. 王歡. 中西醫結合治療膝骨關節炎(膝痹)專家共識. 世界中醫藥, 2023, 18(17): 2407-2412.
4. Huang Y, Huang H, Chen Q, et al. Efficacy and immune-inflammatory mechanism of acupuncture-related therapy in animal models of knee osteoarthritis: a preclinical systematic review and network meta-analysis. J Orthop Surg Res, 2024, 19(1): 177.
5. 王麗敏, 陳泓伯, 魯寒, 等. 膝關節骨性關節炎疾病負擔與疾病風險模型研究進展. 護理研究, 2020, 34(20): 3642-3646.
6. Moons KG, de Groot JA, Bouwmeester W, et al. Critical appraisal and data extraction for systematic reviews of prediction modelling studies: the CHARMS checklist. PLoS Med, 2014, 11(10): e1001744.
7. Moons KGM, Wolff RF, Riley RD, et al. PROBAST: a tool to assess risk of bias and applicability of prediction model studies: explanation and elaboration. Ann Intern Med, 2019, 170(1): W1-W33.
8. 陳香萍, 張奕, 莊一渝, 等. PROBAST: 診斷或預后多因素預測模型研究偏倚風險的評估工具. 中國循證醫學雜志, 2020, 20(6): 737-744.
9. 王浩. 膝骨關節炎前瞻性隊列構建及發病風險預測模型研究. 銀川: 寧夏醫科大學, 2023.
10. 邵文娟, 賈瀟, 蔡可書, 等. 基于貝葉斯網絡的膝骨關節炎患病風險定量預測研究. 北京體育大學學報, 2024, 47(3): 124-132.
11. McCabe PG, Lisboa P, Baltzopoulos B, et al. Externally validated models for first diagnosis and risk of progression of knee osteoarthritis. PLoS One, 2022, 17(7): e0270652.
12. Landsmeer MLA, Runhaar J, van Middelkoop M, et al. Predicting knee pain and knee osteoarthritis among overweight women. J Am Board Fam Med, 2019, 32(4): 575-584.
13. Magnusson K, Turkiewicz A, Timpka S, et al. A prediction model for the 40-year risk of knee osteoarthritis in adolescent men. Arthritis Care Res (Hoboken), 2019, 71(4): 558-562.
14. Yoo TK, Kim DW, Choi SB, et al. Simple scoring system and artificial neural network for knee osteoarthritis risk prediction: a cross-sectional study. PLoS One, 2016, 11(2): e0148724.
15. Kerkhof HJ, Bierma-Zeinstra SM, Arden NK, et al. Prediction model for knee osteoarthritis incidence, including clinical, genetic and biochemical risk factors. Ann Rheum Dis, 2014, 73(12): 2116-2121.
16. Zhang W, McWilliams DF, Ingham SL, et al. Nottingham knee osteoarthritis risk prediction models. Ann Rheum Dis, 2011, 70(9): 1599-1604.
17. Takahashi H, Nakajima M, Ozaki K, et al. Prediction model for knee osteoarthritis based on genetic and clinical information. Arthritis Res Ther, 2010, 12(5): R187.
18. Wang L, Lu H, Chen H, et al. Development of a model for predicting the 4-year risk of symptomatic knee osteoarthritis in China: a longitudinal cohort study. Arthritis Res Ther, 2021, 23(1): 65.
19. Garriga C, Sánchez-Santos MT, Judge A, et al. Predicting incident radiographic knee osteoarthritis in middle-aged women within four years: the importance of knee-level prognostic factors. Arthritis Care Res (Hoboken), 2020, 72(1): 88-97.
20. Zhang Q, Yao Y, Chen Y, et al. A retrospective study of biological risk factors associated with primary knee osteoarthritis and the development of a nomogram model. Int J Gen Med, 2024, 17: 1405-1417.
21. 陳鑒冰, 葉倩云, 朱曉峰. 膝骨關節炎致病危險因素的Meta分析. 暨南大學學報(自然科學與醫學版), 2023, 44(4): 406-415.
22. Chen X, Gong W, Shao X, et al. METTL3-mediated m6A modification of ATG7 regulates autophagy-GATA4 axis to promote cellular senescence and osteoarthritis progression. Ann Rheum Dis, 2022, 81(1): 87-99.
23. Xie J, Wang Y, Lu L, et al. Cellular senescence in knee osteoarthritis: molecular mechanisms and therapeutic implications. Ageing Res Rev, 2021, 70: 101413.
24. Ratzlaff CR, Liang MH. New developments in osteoarthritis. Prevention of injury-related knee osteoarthritis: opportunities for the primary and secondary prevention of knee osteoarthritis. Arthritis Res Ther, 2010, 12(4): 215.
25. Novin S, Alvarez C, Renner JB, et al. Features of knee and multijoint osteoarthritis by sex and race and ethnicity: a preliminary analysis in the Johnston county health study. J Rheumatol, 2023.
26. Nishino K, Koga H, Koga Y, et al. Association of isometric quadriceps strength with stride and knee kinematics during gait in community dwelling adults with normal knee or early radiographic knee osteoarthritis. Clin Biomech (Bristol, Avon), 2021, 84: 105325.
27. Culvenor AG, Ruhdorfer A, Juhl C, et al. Knee extensor strength and risk of structural, symptomatic, and functional decline in knee osteoarthritis: a systematic review and meta-analysis. Arthritis Care Res (Hoboken), 2017, 69(5): 649-658.
28. Herrero-Beaumont G, Roman-Blas JA, Mediero A, et al. Treating osteoporotic osteoarthritis, or the art of cutting a balding man's hair. Osteoarthritis Cartilage, 2020, 28(3): 239-241.
29. Huang G, Hong W, Wang K, et al. Causal analysis of body composition measurements in osteoarthritis knee: a two-sample Mendelian randomization study. BMC Musculoskelet Disord, 2024, 25(1): 341.
30. Zheng H, Chen C. Body mass index and risk of knee osteoarthritis: systematic review and meta-analysis of prospective studies. BMJ Open, 2015, 5(12): e007568.
31. Zhou ZY, Liu YK, Chen HL, et al. Body mass index and knee osteoarthritis risk: a dose-response meta-analysis. Obesity (Silver Spring), 2014, 22(10): 2180-2185.
32. Goto K, Imaoka M, Goto M, et al. Effect of body-weight loading onto the articular cartilage on the occurrence of quinolone-induced chondrotoxicity in juvenile rats. Toxicol Lett, 2013, 216(2-3): 124-129.
33. 劉敏, 李玉茹, 王健, 等. 不同步速條件下超重肥胖老年人步態運動學特征. 中國老年學雜志, 2022, 42(13): 3216-3220.
34. Muthuri SG, McWilliams DF, Doherty M, et al. History of knee injuries and knee osteoarthritis: a meta-analysis of observational studies. Osteoarthritis Cartilage, 2011, 19(11): 1286-1293.
35. 吳煌, 李永忠, 陳亮, 等. 關節鏡半月板治療膝骨關節炎對治療有效率、VAS評分、HSS評分及TNF-α指標水平的應用研究. 現代醫院, 2024, 24(1): 153-155, 161.
36. 黃志, 劉瀚霖, 魏壘, 等. 原發性膝骨關節炎合并高血壓的臨床研究. 實用骨科雜志, 2017, 23(4): 319-322.
37. 魯小丹, 衛建華, 沈建通, 等. 預測模型系統評價的制作方法與步驟. 中國循證醫學雜志, 2023, 23(5): 602-609.
38. 莫航灃, 陳亞萍, 韓慧, 等. 臨床預測模型研究方法與步驟. 中國循證醫學雜志, 2024, 24(2): 228-236.
39. 曹燚, 曾茜, 趙信飛, 等. 卒中相關性肺炎風險預測模型的系統評價. 中國循證醫學雜志, 2023, 23(11): 1259-1268.
40. Kokkotis C, Moustakidis S, Papageorgiou E, et al. Machine learning in knee osteoarthritis: a review. Osteoarthr Cartil Open, 2020, 2(3): 100069.

《中國循證醫學雜志》

膝骨關節炎風險預測模型的系統評價

摘要 全文 圖表 視頻 參考文獻 施引文獻 補充材料

1 資料和方法

1.1 納入與排除標準

1.1.1 研究類型

1.1.2 研究對象

1.1.3 研究內容

1.1.4 排除標準

1.2 文獻檢索策略

1.3 文獻篩選與資料提取

1.4 納入研究的偏倚風險和適用性評估

1.5 統計分析

2 結果

2.1 文獻檢索結果

2.2 納入研究的基本特征

2.3 預測模型的建立情況

2.4 預測模型性能及驗證

2.5 偏倚風險與適用性評價結果

3 討論

1 資料和方法

1.1 納入與排除標準

1.1.1 研究類型

1.1.2 研究對象

1.1.3 研究內容

1.1.4 排除標準

1.2 文獻檢索策略

1.3 文獻篩選與資料提取

1.4 納入研究的偏倚風險和適用性評估

1.5 統計分析

2 結果

2.1 文獻檢索結果

2.2 納入研究的基本特征

2.3 預測模型的建立情況

2.4 預測模型性能及驗證

2.5 偏倚風險與適用性評價結果

3 討論

上一篇

下一篇

Format

Content

摘要全文圖表視頻參考文獻施引文獻補充材料