背景：可用的全膝关节置换术预后预测模型很少，影像学检查结果在预测其使用中的作用仍不清楚。该研究目标是开发和验证全膝关节置换的预测模型，并评估添加影像学检查结果是否能提高预测性能。

      方法：研究者在多中心骨关节炎研究(MOST)和骨关节炎倡议(OAI)中确定了近期膝关节疼痛（3个月内）的参与者。MOST和OAI的基线访问分别始于2003年和2004 年。通过在MOST参与者中拟合Cox比例风险模型，开发了两个预测模型，用于预测在随访60个月内进行全膝关节置换的风险。第一个模型包括社会人口学和人体测量学因素、病史和临床测量（称为临床模型）。第二个模型将影像学检查结果添加到预测模型（影像学模型）中。评估了每个模型的辨别和校准性能，并使用无类别净重分类改进(NRI)和综合辨别改进(IDI)评估了影像学检查结果的增量价值。研究者调整了模型并在 OAI 的参与者中进行了外部验证。

      结果：训练数据集中包括来自 MOST的2658名参与者（平均年龄 62.4 岁 [SD 8.1]，1646名 [61.9%]女性）和验证数据集中来自 OAI 的 4060 名参与者（平均年龄 60.9 岁[9.1] , 2379 [58.6%] 女性）。训练数据集中的290名 (10.9%) 参与者和验证数据集中的 174 名 (4.3%) 参与者进行了全膝关节置换术。临床模型中保留的预测变量包括年龄、性别、种族、膝关节镜检查史、频繁的膝关节疼痛、当前使用的镇痛剂、当前使用的氨基葡萄糖、体重指数，以及西安大略和麦克马斯特大学骨关节炎指数（WOMAC ) 疼痛评分，最具预测性的因素是年龄、种族和 WOMAC 疼痛评分。影像学模型中保留的预测变量是年龄、性别、种族、频繁的膝关节疼痛、当前镇痛剂的使用情况、WOMAC疼痛评分和Kellgren-Lawrence分级，最具预测性的因素是 Kellgren-Lawrence 分级、种族和年龄。在训练数据集中，临床模型的C统计量为0.79 (95% CI  0.76–0.81)，而影像学模型的 C 统计量为 0.87 (0.85–0.99)。校准斜率分别为 0.95 (95% CI  0.86–1.05) 和 0.96 (0.87–1.04)。添加 X 线检查结果显著提高了预测性能，NRI为 0.43 (95% CI  0.38–0.50) 和 IDI 为 0.14 (95% CI: 0.10–0.18)。这两个模型，加上调整系数后，在验证数据集的参与者中显示出良好的预测性能。

      结论：全膝关节置换术的风险可以根据常见的风险因素进行预测，并具有良好的区分和校准性能。此外，将膝关节骨性关节炎的影像学检查结果添加到模型中可显著提高其预测性能。 

出处：

1.     Prediction models for the risk of total knee replacement: development and validation using data from multicentre cohort studies. Liu, Qiang et al. The Lancet Rheumatology, Volume 0, Issue 0