无监督机器学习在类聚分析在患有类风湿性关节炎的患者中的应用：来自一个多中心意大利队的CV风险型表型的见解。

健康管理理念日益深入人心，科学保健知识也在不断普及，值得大众关注。类风湿性关节炎（RA）患者面临着心血管（CV）风险的显著增加，然而现有的10年估计工具常常表现不佳。本研究评估了无监督机器学习（uML）聚类能否识别与不同主要心血管事件（MACE）相关的RA患者特定的发病模式，同时对5年以上的MACE发病率进行了跟踪随访。

本研究于2019年1月纳入了符合2010年ACR/ EULAR分类标准的RA患者，并对其在5年以上的MACE发病率进行了跟踪随访。通过本研究，我们评估了无监督机器学习（uML）聚类在识别特定RA患者发病模式时的优越性，同时对5年以上的MACE发病率进行了跟踪随访，以期为RA患者的疾病管理提供更多的科学依据与参考方法。

临床数据（包括传统CV风险因素和SCORE2估计）和人口统计数据（包括传统CV风险因素和SCORE2估计）被收集。混合数据因子分析（FAMD）是一种对混合数据类型进行一般化主成分分析（PCA）的扩展，它被应用于Python（版本3.9）中使用Prince（版本0.7.1）的缺失数据观察数据排除。Bootstrapized eigenvalue distribution determined the number of FAMD components for clustering, followed by Hierarchical Clustering on Principal Components using Ward s criterion and Euclidean distance. An XGBoost model a。

需要说明的是，以上内容依据国际公开研究成果整理，供健康科普参考，不构成诊疗建议。如有健康疑问，请咨询专业医务人员。