Gout mara nyingi hufafanuliwa kwa kiwango cha juu cha serum urate na mashambulizi ya viungo yanayojirudia. Hata hivyo, wagonjwa wawili wenye kiwango sawa au kinachokaribiana cha serum urate wanaweza kuwa na mwenendo wa kliniki tofauti kabisa. Kwa mgonjwa mmoja, mashambulizi ya mara kwa mara, kutokea kwa tophi na matumizi makubwa ya huduma za afya yanaweza kutawala, huku kwa mwingine, licha ya gout kujirudia mara chache, hatari ya figo, mfumo wa moyo na mishipa, frailty na kifo inaweza kuwa dhahiri zaidi.

Utafiti huu ulilenga kufafanua subgroups zenye maana ya kliniki kwa kutumia data za maabara za kawaida ambazo tayari zinapatikana katika rekodi za afya, badala ya kutathmini wagonjwa wa gout kwa serum urate pekee au kwa mgawanyiko wa “shambulio lipo-halipo”. Watafiti waliita mbinu hii “routine-data digital phenotyping”.

Digital phenotyping hapa haimaanishi kukusanya data bila kukoma kupitia saa janja au vihisi vya simu. Katika utafiti huu, digital phenotype ni wasifu wa mgonjwa unaotengenezwa kwa kuunganisha serum urate, fahirisi za seli za damu na viwango vya kawaida vya maabara kama globulin katika rekodi za kielektroniki za afya kwa kutumia mbinu za kompyuta za kutambua mifumo.

Jumla ya wagonjwa 21.235 wa gout walijumuishwa. Sampuli iliyounganishwa ilikuwa na watu 10.599 kutoka UK Biobank, 8.617 kutoka GoutRe, kohoti ya vituo vingi nchini China, na 2.019 kutoka mfumo wa rekodi za hospitali MIMIC-IV.

Katika hatua ya kwanza, zaidi ya vigezo 40 vya kawaida vya kliniki vinavyohusiana na demografia, utendaji wa figo, kimetaboliki ya urate, viashiria vya hematolojia, utendaji wa ini, uchochezi na systemic reserve vilitathminiwa. Baada ya kuzingatia upatikanaji kati ya kohoti, ulinganifu wa vipimo, kiwango cha missing data na interpretability ya kliniki, vigezo sita vilichaguliwa:

• Serum urate,
• Asilimia ya lymphocyte,
• Mean corpuscular hemoglobin, yaani MCH,
• Mean corpuscular volume, yaani MCV,
• Hematocrit,
• Globulin.

Kujirudia kwa ugonjwa, kulazwa hospitalini, magonjwa yanayoambatana, kifo au matokeo ya uchanganuzi wa molekuli hayakutumika wakati wa clustering. Data hizi zilitathminiwa baada ya subgroups kuundwa ili kuona kama makundi yalikuwa na maana tofauti ya kliniki na kibiolojia. Kwa njia hii, watafiti walijaribu kupunguza kuingia kwa taarifa ya outcome katika uundaji wa makundi, yaani outcome leakage.

Unsupervised clustering katika data za UK Biobank ilionyesha subgroups tatu za kliniki:

• C1 - Mzigo mdogo na reserve iliyohifadhiwa: kundi lenye deviation ndogo zaidi za uchochezi na kimetaboliki na mzigo wa jumla wa kliniki ulio chini kiasi.
• C2 - Urate-metabolic inflammatory: kundi lenye serum urate, body mass index na creatinine profile zilizo juu zaidi; renal-metabolic stress, cardiometabolic burden na kujirudia kwa gout kwa kiwango cha juu zaidi.
• C3 - Systemic frailty inayohusiana na uzee: kundi linalohusishwa na umri mkubwa zaidi, deviation za erythrocyte indices, mifumo ya lymphocyte na uchochezi, mzigo mpana wa comorbidity na survival mbaya zaidi.

Makundi haya matatu si mpangilio rahisi wa “gout nyepesi, ya kati na kali”. C2 ndilo kundi lenye kujirudia kwa gout zaidi. C3 inaweza kuwa na kujirudia kidogo kuliko C2 lakini ikaonyesha magonjwa mengi zaidi ya mfumo mzima na survival mbaya zaidi. Tofauti hii inaonyesha kwamba frequency ya gout attacks na total health risk ya mgonjwa si dhana ileile.

Katika UK Biobank, kiwango cha kujirudia ndani ya miaka kumi kilikuwa %34,5 katika C2, %19,2 katika C1 na %19,7 katika C3. Muundo huo huo wa mwelekeo ulionekana katika external evaluation cohorts. Katika MIMIC-IV, viwango vya kujirudia vilikuwa %22,3 kwa C2, %15,1 kwa C1 na %10,8 kwa C3; katika GoutRe vilionyeshwa kuwa takriban %29,0, %24,8 na %17,0 mtawalia.

Matokeo haya yanaonyesha kwamba C2 ilidumisha nafasi yake kama subgroup yenye rekodi nyingi zaidi za recurrence katika mazingira tofauti ya kijiografia na kliniki. Hata hivyo, “recurrence” ilifafanuliwa kama kuwepo kwa angalau rekodi moja inayofaa ya ufuatiliaji. Utafiti haukupima kwa njia moja ya kliniki iliyo sanifu idadi halisi ya mashambulizi yote, ukali wake au athari zake katika maisha ya kila siku ya mgonjwa.

Katika C3, kifo na mzigo wa multiple comorbidity ulivutia hasa. Katika pointi za mwisho za ufuatiliaji za mortality curves katika Figure 3, viwango vya kifo vilivyoandikwa kwa UK Biobank vilikuwa %15,3 katika C1, %12,5 katika C2 na %21,7 katika C3; kwa MIMIC-IV vilikuwa %42,6 katika C1, %30,9 katika C2 na %49,8 katika C3. Thamani hizi zinaunga mkono kwamba C3 inaweza kuwa subgroup yenye systemic health frailty ya juu zaidi, hata kama si kundi lenye recurrence kubwa zaidi.

Hata hivyo, kuna inconsistency muhimu kati ya maandishi na grafu kuhusu severe gout-related hospitalization. Maandishi ya Results na Discussion yanasema C3 ilikuwa na kiwango cha juu zaidi cha severe gout-related admission. Kinyume chake, baa za Figure 3G zinaonyesha %1,3 kwa C1, %2,9 kwa C2 na %1,5 kwa C3. Kulingana na figure, kiwango cha juu zaidi ni C2. Mpaka tofauti hii ifafanuliwe, haipaswi kusemwa kwa uhakika ni subgroup ipi ina severe hospitalization ya juu zaidi.

Genetic analyses pia zilitoa msingi wa kibiolojia kwamba C2 na C3 huenda si makundi ya nasibu yaliyotengenezwa tu na data za maabara. C2 ilionyesha mifumo dhahiri zaidi katika maeneo ya kijeni yanayohusiana na urate transporters kama ABCG2, SLC2A9, SLC22A11 na SLC22A12. C3 ilihusishwa zaidi na pathways za cellular aging, DNA damage response, chromatin regulation na tissue frailty.

Katika proteomic na metabolomic analyses, C2 ilitambulishwa na protein kama NPL, PARP1, ELOA, TNFSF10 na S100A12 zinazohusiana na uchochezi na stress response, pamoja na atherogenic VLDL, IDL na LDL particles. Katika C3, protein kama BPIFB1, SPOCK1, PVR na ACE2 zinazohusiana na tissue stress na remodeling, pamoja na phospholipid na HDL remodeling, zilijitokeza zaidi.

Watafiti walitengeneza decision tree ya wazi inayotumia vigezo sita vya kawaida ili kurahisisha kuwapangia wagonjwa makundi katika matumizi ya kila siku. AUC za kutenganisha cluster labels katika internal test ya UK Biobank zilikuwa 0,97 kwa C1, 0,97 kwa C2 na 0,95 kwa C3. Katika GoutRe zilikuwa 0,98, 0,94 na 0,92; katika MIMIC-IV zilikuwa 0,96, 0,95 na 0,90.

AUC hizi za juu zinaonyesha kwamba decision tree inaweza kwa karibu kuzalisha tena labels za C1, C2 na C3 zilizoundwa na clustering algorithm. Haimaanishi kwamba modeli inatabiri gout recurrence, hospitalization au death kwa AUC hizo hizo. Aidha, model calibration, decision curve analysis, utendaji katika demographic subgroups na utility katika real clinical workflow bado havijaonyeshwa.

Lifestyle analyses zilidokeza kwamba mifumo inayohusiana na physical activity inaweza kuwa dhahiri zaidi katika C2, huku obesity na body-composition indicators zikiwa dhahiri zaidi katika C3. Hata hivyo, hizi ni observational na exploratory analyses. Haijathibitishwa kwamba kuongeza physical activity hupunguza recurrence katika C2 pekee au kupunguza uzito huleta faida ya kliniki katika C3 pekee.

Ujumbe muhimu zaidi wa kliniki wa utafiti si kupunguza umuhimu mkuu wa serum urate katika gout treatment, bali kuonyesha kwamba urate peke yake haitoshi kujenga patient profile kamili. Katika C2, urate control na recurrence prevention zinaweza kuwa kipaumbele, ilhali katika C3 renal function, cardiovascular disease, frailty, body composition, medication safety na mortality risk zinaweza kuhitaji kutathminiwa katika mfumo mpana zaidi.

Hata hivyo, utafiti haukujaribu faida ya treatment maalum kwa subgroup. Wagonjwa waliotibiwa kulingana na C1, C2 au C3 hawakulinganishwa na wagonjwa waliopata standard care. Kwa hiyo matokeo hayawezi kutumika kama clinical decision system iliyokamilika au guideline ya subgroup-specific treatment.

Maelezo ya Kina

Je, gout ni uric acid ya juu pekee?

Gout ni aina ya inflammatory arthritis inayohusiana na kujikusanya kwa monosodium urate crystals katika viungo na tishu zinazozunguka. Kiwango cha serum urate ni cha msingi katika crystal formation na katika treatment target. Kufikia malengo ya urate-lowering therapy ni msingi wa kupunguza crystal burden na kuzuia mashambulizi ya baadaye.

Hata hivyo, wagonjwa wote wenye kiwango sawa cha urate hawana mwenendo mmoja wa kliniki. Sababu zinaweza kujumuisha:

• Muda na usambazaji wa crystal burden katika tishu unaweza kutofautiana.
• Uwezo wa figo kuondoa urate unaweza kutofautiana.
• Obesity na metabolic syndrome zinaweza kuathiri uchochezi.
• Immune-cell response kwa crystals inaweza kutofautiana kati ya watu.
• Umri, frailty, nutritional reserve na comorbidities zinaweza kubadilisha total risk.
• Medication use, adherence na access to care zinaweza kutofautiana.

Utafiti huu unapendekeza kwamba heterogeneity ya gout inaweza kutathminiwa angalau katika axes mbili kuu:

• Recurrence tendency: uwezekano wa rekodi mpya za gout au mashambulizi.
• Systemic frailty: uwezekano wa outcomes pana zaidi kama hospitalization, multimorbidity na death.

C2 inaonekana wazi zaidi katika axis ya kwanza na C3 katika ya pili.

Routine-data digital phenotyping ni nini?

Phenotype ni jumla ya sifa za kliniki zinazoweza kuonekana za mtu. Digital phenotyping ni kubadilisha sifa hizi kutoka electronic records, sensors au vyanzo vingine vya data kuwa mifumo inayoweza kuchanganuliwa.

Mbinu ya digital phenotyping iliyotumiwa hapa ilikuwa na hatua tatu:

1. Kuandaa routine laboratory variables katika scale ya pamoja,
2. Kuwaklasta wagonjwa wenye laboratory profiles zinazofanana kwa unsupervised algorithm,
3. Kisha kutafsiri clusters kwa clinical outcomes na molecular data.

Mbinu hii ni tofauti na daktari kuweka mapema sheria za aina “high-risk patients lazima wawe na sifa hizi”. Algorithm kwanza hutafuta similarities kwenye data; kisha watafiti hutathmini clinical meaning ya clusters.

Ni vyanzo gani vya data vilitumika?

Utafiti uliunganisha vyanzo vitatu vya data za afya vinavyotofautiana sana.

Kutumia vyanzo hivi vitatu kulilenga kupunguza hatari kwamba modeli ingelearni pattern ya health system moja tu. Hata hivyo, kohoti hizi hazionyeshi aina moja ya mgonjwa. UK Biobank ni population-based na volunteer cohort, GoutRe inawakilisha wagonjwa wanaotibiwa katika specialist hospitals, huku MIMIC-IV ikiwa na hospitalized patients wenye acute health problems zaidi.

Participant flow inaonyesha nini?

Katika UK Biobank, kutoka washiriki 503.317, watu 10.911 walitambuliwa kuwa na gout indicator katika vyanzo tofauti. Baada ya kuondoa watu 312 wenye hematologic malignancy, discovery cohort ya 10.599 iliundwa.

Katika GoutRe, kati ya wagonjwa 27.602 waliopitiwa katika vituo sita, 17.547 waliondolewa kwa sababu ya concomitant rheumatologic diseases zinazohitaji anti-inflammatory treatment, hospital stay chini ya siku tatu au vigezo vingine. Kati ya 10.055 waliobaki, 1.438 waliondolewa kwa kukosa variables sita muhimu na 8.617 wakaingia kwenye analysis.

Katika MIMIC-IV, kati ya watu 18.946 wenye gout-related diagnosis code, 12.471 waliondolewa kwa similar clinical exclusion criteria. Kati ya 6.475 waliobaki, 4.456 waliondolewa kwa kukosa variables muhimu na final sample ikawa 2.019.

Hasa katika MIMIC-IV, kuondolewa kwa karibu theluthi mbili ya eligible patients kwa sababu ya missing required variables ni source muhimu ya selection. Wagonjwa waliobaki katika analysis wanaweza kutofautiana na wale wenye missing laboratory data kwa health status au treatment intensity.

Je, gout ilifafanuliwa kwa njia moja katika kohoti zote?

Hapana. Katika UK Biobank, gout ilitambuliwa kwa algorithm inayochanganya self-report, primary-care diagnoses, hospital diagnoses na prescription records.

Washiriki wa GoutRe walitimiza 2015 ACR/EULAR gout classification criteria. MIMIC-IV cohort iliundwa kwa gout-related ICD diagnosis codes na clinical information.

Definitions tofauti zinaweza kuakisi real-world heterogeneity na kusaidia portability evaluation. Lakini pia zinamaanisha kwamba wagonjwa hawakutambuliwa kwa diagnostic certainty ileile na misclassification risk inaweza kutofautiana kati ya cohorts.

Kwa nini baseline measurements huenda zisiwe comparable kikamilifu?

Katika UK Biobank, clustering variables zilichukuliwa kutoka baseline assessment au record ya karibu zaidi kabla ya outcome. Katika GoutRe na MIMIC-IV, early laboratory measurements katika first eligible hospitalization zilitumika.

Wakati wa hospitalization:

• Acute inflammation,
• Dehydration au fluid administration,
• Infection,
• Medications,
• Temporary renal-function changes zinaweza kuathiri laboratory values.

Kwa hiyo laboratory profiles katika external cohorts hazikuchukuliwa katika biological conditions zinazofanana kikamilifu na population-based measurements za UK Biobank.

Kwa nini variables sita pekee zilichaguliwa?

Watafiti awali walitathmini zaidi ya variables 40. Lakini ili clinical system iweze kuhamishwa kati ya hospitali, vipimo lazima vipatikane katika kila kituo na viweze kufafanuliwa kwa namna inayofanana.

Selection ya variables sita ilizingatia:

• Availability katika cohorts zote tatu,
• Harmonizability ya measurement na units,
• Acceptable missing-data level,
• Interpretability kwa clinicians.

Selection hii iliongeza practicality. Hata hivyo, kutotumia moja kwa moja variables nyingine muhimu kama CRP, renal-function markers, body mass index au treatment information kunamaanisha kwamba dimensions zote za gout biology hazikuingia katika modeli.

Variables sita zinawakilisha nini?

Hakuna variable moja kati ya hizi inayounda diagnosis ya C1, C2 au C3 peke yake. Subgroup hutokana na multidimensional pattern ya values zote sita kwa pamoja.

Data zilisawazishwaje?

Laboratory measurements tofauti zina units na magnitudes tofauti na haziwezi kulinganishwa moja kwa moja. Kwa mfano, serum urate inaweza kuwa katika mamia ya µmol/L, huku hematocrit ikiandikwa kama ratio au asilimia.

Kwa madhumuni ya kueleza method ya utafiti, standardization inaweza kuonyeshwa kwa uhusiano huu:

\[ z = \frac{x-\mu_{UKB}}{\sigma_{UKB}} \]

Hapa:

• x ni measurement ya mgonjwa,
• μ_UKB ni mean katika UK Biobank discovery cohort,
• σ_UKB ni standard deviation katika UK Biobank,
• z huonyesha measurement iko juu au chini kwa kiasi gani dhidi ya discovery cohort.

Data za GoutRe na MIMIC-IV pia zilisawazishwa kwa transformation parameters zilezile zilizotokana na UK Biobank. Hazikure-scaled kulingana na means na standard deviations za external cohorts zenyewe. Mbinu hii inalenga kutumia discovery system katika external settings bila kubadili msingi wake.

Unsupervised clustering ilifanywaje?

Watafiti walitathmini cluster numbers tofauti kutoka k=2 hadi k=10. K-means, partitioning around medoids na hierarchical clustering zililinganishwa.

Three-cluster K-means solution ilichaguliwa kwa tathmini ya pamoja ya:

• Within-cluster dispersion,
• Average silhouette width,
• Cluster stability kwa bootstrap resampling,
• Model simplicity,
• Clinical interpretability katika external cohorts.

Lengo la msingi la K-means, kwa madhumuni ya maelezo, linaweza kuonyeshwa kama:

\[ \underset{C_1,\ldots,C_K}{\operatorname{min}}\sum_{k=1}^{K}\sum_{i \in C_k}\lVert x_i-\mu_k\rVert^2 \]

Hapa:

• K ni number of clusters,
• C_k ni cluster k,
• x_i ni six-variable profile ya mgonjwa,
• μ_k ni cluster centroid.

Algorithm huweka kila mgonjwa katika kundi ambalo profile yake iko karibu zaidi na centroid yake. Formula hii haikuandikwa moja kwa moja katika paper; imeongezwa ili kueleza mantiki ya method.

Mapungufu ya K-means ni yapi?

K-means:

• Ni sensitive kwa scaling.
• Huathiriwa na outliers.
• Ina tendency ya kudhani clusters zina umbo takriban spherical na spread zinazofanana.
• Inaweza kutoa solutions tofauti kulingana na initial centroids.
• Inaweza kugawa biological spectrum endelevu katika groups zenye artificial boundaries.

Kulinganisha alternative clustering methods, cluster numbers tofauti na bootstrap stability kulisaidia kupunguza matatizo haya; lakini hakuthibitishi kwamba clusters ni disease types zinazotenganishwa kwa mipaka ya kiasili iliyo wazi.

C1: Subgroup ya mzigo mdogo na reserve iliyohifadhiwa

C1 ilikuwa na watu 3.270 katika UK Biobank na iliwakilisha %30,9 ya discovery cohort.

Katika post-clustering clinical characterization, subgroup hii ilihusishwa na:

• Lymphocyte na globulin profile zilizohifadhiwa kwa kiasi,
• Low inflammatory deviation,
• Low metabolic burden,
• Lower overall clinical risk kwa kiasi.

C1 haimaanishi “gout isiyo na risk”. Katika UK Biobank, ten-year recurrence ilikuwa bado %19,2. Kundi hili linawakilisha lower-burden reference state kwa kutafsiri subtypes nyingine mbili.

C2: Urate-metabolic inflammatory subgroup

C2 ilikuwa na watu 3.710 katika UK Biobank na iliwakilisha %35,0 ya discovery cohort.

Katika broader characterization baada ya six-variable clustering, C2 ilihusishwa na:

• Serum urate ya juu zaidi,
• Body mass index ya juu zaidi,
• Creatinine ya juu zaidi,
• Renal-metabolic stress,
• Cardiometabolic burden,
• Inflammatory proteins,
• Atherogenic lipoprotein profile.

Body mass index na creatinine si miongoni mwa variables sita zilizotumika kuunda clusters. Hizi ni sifa zilizojitokeza katika phenotypic characterization baada ya C2 kuundwa. Kwa hiyo jina la C2 limetokana si tu na variables zilizoingia katika algorithm bali pia na broader clinical pattern iliyoonekana baadaye.

C2 ilikuwa subgroup yenye recurrence kubwa zaidi katika cohorts zote tatu.

C3: Aging-related systemic frailty subgroup

C3 ilikuwa na watu 3.619 katika UK Biobank na iliwakilisha %34,1 ya discovery cohort.

Katika characterization baada ya clustering, C3 ilihusishwa na:

• Umri mkubwa zaidi,
• Pronounced deviation katika erythrocyte indices,
• Tofauti katika lymphocyte composition,
• Systemic inflammation,
• Sifa zinazohusiana na frailty na tissue vulnerability.

Umri pia haukuwa clustering variable. Kwamba C3 ilikuwa kundi la wazee zaidi kulionekana katika clinical comparison baada ya clusters kuundwa.

Sifa muhimu ya C3 ni broader systemic risk burden kuliko idadi ya recurrence pekee. Hii inaonyesha kwamba kutathmini gout kwa attacks za viungo pekee kunaweza kufanya baadhi ya frail patients waonekane low risk.

Je, subgroup distribution ilikuwa sawa katika external cohorts?

Hapana. Subgroup proportions zilitofautiana wazi kulingana na healthcare setting.

Tofauti hii inaonyesha kwamba subgroups hazina fixed prevalence katika kila population. Geography, age distribution, hospitalization criteria, laboratory practice na selection processes zinaweza kubadilisha group proportions.

Dai la transportability halitegemei subgroup percentages kuwa sawa, bali kwamba C2 kwa kiasi kikubwa ilidumisha urate-metabolic profile na C3 aging/systemic-frailty profile katika external cohorts.

External cohort assignment ilifanywaje?

Wagonjwa wa GoutRe na MIMIC-IV hawakufanyiwa clustering upya kutoka mwanzo. Kila mgonjwa alipewa moja ya UK Biobank cluster centroids tatu iliyo karibu zaidi.

Uhusiano wa msingi wa method, kwa maelezo, ni:

\[ C^{*}=\underset{c \in \{C1,C2,C3\}}{\operatorname{argmin}}\lVert z-\mu_c\rVert \]

Hapa:

• z ni profile ya external-cohort patient iliyosawazishwa kwa UK Biobank scale,
• μ_c ni cluster centroid kutoka UK Biobank,
• C* ni nearest subgroup assigned kwa mgonjwa.

Mbinu hii hujaribu applicability ya discovery classification katika cohorts nyingine. Lakini haithibitishi kwamba clusters tatu zinazofanana zilire-discoveriwa kikamilifu na kwa uhuru katika external data. Tofauti kati ya “external evaluation” na “independent rediscovery” ni muhimu.

Recurrence ilifafanuliwaje?

Primary long-term outcome ilikuwa kuwepo kwa angalau rekodi moja inayofaa ya gout recurrence wakati wa follow-up.

Calculation logic inaweza kuonyeshwa kama:

\[ Nüks\ oranı = \frac{En\ az\ bir\ uygun\ nüks\ kaydı\ bulunan\ kişi\ sayısı}{Alt\ gruptaki\ toplam\ kişi\ sayısı}\times100 \]

Kwa UK Biobank, rates zilihesabiwa katika ten-year follow-up window. Katika Kaplan-Meier analyses, first recurrence date ilitumika kama event time.

Outcome hii haionyeshi kikamilifu:

• Mara ngapi mgonjwa alipata attack,
• Ukali wa attacks,
• Kama kila attack ilithibitishwa na clinician,
• Attacks zilizotibiwa nyumbani na kutorekodiwa.

Wagonjwa wanaotumia healthcare mara nyingi zaidi wanaweza pia kuwa na probability kubwa ya kupata recurrence record.

Recurrence rates zilionyesha nini?

Katika UK Biobank, absolute difference kati ya C2 na C1 ilikuwa percentage points 15,3. Recurrence rate katika C2 ilikuwa takriban mara 1,8 ya C1. Thamani hii ya pili imehesabiwa kutoka reported percentages kwa maelezo; haikutolewa kama separate effect estimate katika study.

Competing-risk issue kati ya recurrence na death

Watu waliokufa kabla ya recurrence walicensored kwenye date of death. Death haikumodeliwa kama competing event.

Mbinu hii inaweza kudhani kwamba death haitegemei recurrence probability. Lakini C3 inaonekana kuwa na mortality kubwa. Mgonjwa akifa kabla ya kupata recurrence hawezi tena kupata recurrence baadaye.

Kwa hiyo, sehemu ya recurrence rate ya chini katika C3 inaweza kutokana na mchanganyiko wa:

• Gout recurrence ya chini kweli,
• Shorter survival,
• Death kabla ya recurrence record,
• Tofauti katika healthcare utilization.

Bila competing-risk models kama Fine-Gray, haiwezi kuthibitishwa kwamba recurrence difference kati ya C2 na C3 ni huru kabisa na death.

Ni comorbidities gani zilijitokeza katika C3?

Event analyses katika Figure 3 zinaonyesha kwamba C3 ilikuwa na broad disease burden katika systems nyingi. Maeneo yaliyotathminiwa yalijumuisha:

• Cardiovascular diseases,
• Kidney diseases,
• Autoimmune diseases,
• Digestive-system diseases,
• Respiratory-system diseases,
• Musculoskeletal diseases.

Muundo huu unaonyesha kwamba C3 huenda si “kundi la wazee” pekee, bali clinical profile yenye reserve loss katika physiological systems nyingi. Hata hivyo, haiwezi kusemwa kwamba effects zote za umri na baseline comorbidities zimeondolewa.

Inconsistency katika severe gout-related hospitalization

Maandishi ya utafiti yanaeleza C3 kama kundi lenye severe gout-related hospitalization burden ya juu zaidi. Lakini Figure 3G inaonyesha:

• C1: %1,3,
• C2: %2,9,
• C3: %1,5.

Ikiwa grafu ni sahihi, highest rate iko C2. Ikiwa maandishi ni sahihi, huenda kuna labeling au value error katika figure. Tofauti hii inahitaji kufafanuliwa katika final published version.

Genomic analyses ziliongeza nini?

Ingawa clusters ziliundwa kwa routine laboratory data, watafiti kisha walifanya genome-wide association analyses wakilinganisha kila subgroup na UK Biobank controls wasio na gout.

Urate transporter gene regions zilizojitokeza zaidi katika C2 zilikuwa:

• ABCG2,
• SLC2A9,
• SLC22A11,
• SLC22A12.

Genes hizi zinahusiana na urate transport na elimination kupitia intestine au kidney. Genetic pattern ya C2 inaendana kibiolojia na high-urate, recurrence-prone clinical profile.

Katika C3, yaliyojitokeza zaidi ni:

• Cellular aging,
• DNA damage response,
• Chromatin remodeling,
• Tissue regeneration capacity,
• Pathways zinazohusiana na systemic frailty.

Heritability results

Thamani hizi zimehesabiwa kwenye observed scale na kulingana na subgroup prevalences katika sample ya utafiti. Hazipaswi kutafsiriwa moja kwa moja kama “%1,31 ya ugonjwa wa C3 ni genetic”. Heritability ni statistical estimate ya sehemu ya phenotypic variation katika population fulani inayohusishwa na genetic variation.

Polygenic risk scores zilionyesha nini?

Polygenic risk score ya serum urate kwa ujumla ilihusiana kwa mwelekeo mmoja na measured serum urate katika subgroups zote tatu. Hata hivyo, namna genetic risk ilivyojitokeza katika recurrence outcome ilitofautiana kulingana na subgroup.

Katika C3, association ya body-mass-index-related genetic risk na recurrence na death iliimarika kadiri frailty ilivyoongezeka. Hii inaonyesha kwamba clinical outcome ya genetic predisposition ileile inaweza kutegemea physiological reserve ya mtu.

Analyses hizi ni observational na hazithibitishi matumizi ya polygenic risk score katika individualized treatment.

Proteomic results: C2

Protein zilizokuwa juu zaidi katika C2 zilijumuisha:

• NPL,
• PARP1,
• ELOA,
• TNFSF10,
• S100A12.

Pathway analyses zilionyesha katika C2 kuongezeka kwa:

• Myeloid-cell activation,
• Granulocyte differentiation,
• Inflammatory response,
• Programs zinazohusiana na clotting na coagulation.

Matokeo haya yanaongeza biological support kwa tafsiri ya C2 kama inflammatory state inayohusiana na recurrent gout na cardiometabolic burden.

Metabolomic results: C2

Katika C2, atherogenic subclasses za VLDL, IDL na LDL particles zilikuwa juu zaidi. Muundo huu unaonyesha kwamba uhusiano wa gout na dyslipidemia pamoja na cardiovascular risk unaweza kuwa na metabolic axis iliyo dhahiri zaidi katika C2.

Ndani ya C2, baadhi ya VLDL-related metabolites na inflammatory proteins zilihusiana na recurrence. IL1RN ilionyesha association ya kinyume na recurrence.

Watafiti walitengeneza composite score kutoka metabolites na kutathmini kwa exploratory manner uwezo wake wa kutenganisha three-year recurrence. Score hii haijapitia independent clinical validation.

Proteomic na metabolomic results: C3

Protein zilizojitokeza katika C3 zilijumuisha:

• BPIFB1,
• SPOCK1,
• PVR,
• ACE2.

Metabolomic analyses zilielekeza kwenye phospholipid na HDL remodeling. Pia zilionyesha associations na:

• Oxidative metabolism,
• Detoxification,
• Small-molecule catabolism,
• Tissue stress na remodeling programs.

Katika exploratory scores za five-year mortality ndani ya C3, protein kama PVR na ACE2 pamoja na phospholipid subfractions zilijitokeza. Analyses hizi pia si biomarkers zilizothibitishwa kwa clinical use.

Kwa nini multi-omics results ni muhimu?

Clusters zilizojengwa kutoka routine blood tests pekee zinaweza kuwa mathematical partitions bila biological meaning. Ili kupunguza uwezekano huu, watafiti walilinganisha clusters baadaye na genetic, protein na metabolite data.

Association ya C2 na urate transport, metabolic inflammation na atherogenic lipoproteins; na ya C3 na aging, tissue stress na phospholipid remodeling inaonyesha kwamba clinical clusters zinaweza kuunganishwa na biological axes tofauti.

Hata hivyo, sehemu kubwa ya multi-omics analyses ilifanywa tu katika UK Biobank subsets zenye data hizo. Haijaonyeshwa kwamba signatures hizi zilireplicate katika GoutRe na MIMIC-IV kwa molecular level.

Six-variable decision tree inafanyaje kazi?

Clustering method inaweza kuhitaji computational calculation kwa kila mgonjwa kliniki. Watafiti kwa hiyo walitengeneza decision tree inayotumia raw laboratory values na kuelekea probability ya C1, C2 au C3.

Variables katika decision tree ni:

• Serum urate,
• MCV,
• MCH,
• Hematocrit,
• Lymphocyte percentage,
• Globulin.

Katika variable-importance ranking, serum urate, MCV na MCH zilionekana kuwa strongest determinants. Katika baadhi ya branches, high serum urate na limited erythrocyte-index deviation zinaelekea C2; pronounced erythrocyte-index deviation na inflammatory features zinaelekea C3.

AUC results zinapaswa kutafsiriwaje?

AUC hizi ni performance ya “subgroup moja dhidi ya makundi mengine yote”. Kwa mfano, C2 AUC inaonyesha uwezo wa decision tree kutenganisha patients walioclusteriwa C2 na C1/C3.

Thamani hizi:

• Si AUC ya gout recurrence.
• Si AUC ya mortality risk.
• Hazitabiri treatment response.
• Hazithibitishi clinical utility ya decision tree.

Kabla ya matumizi, modeli inahitaji evaluation ya calibration, decision curve, age-sex-ethnicity subgroups na real-time clinical workflow.

Web application katika Figure 7 inaonyesha nini?

Utafiti unaonyesha mfano wa web interface inayotoa probabilities za C1, C2 na C3 baada ya kuingiza variables sita za laboratory.

Interface hii si medical device iliyothibitishwa kwa real clinical use. Watafiti pia wameieleza kama prototype inayoweza kutumika kwa future workflow evaluation.

Visual presentation ya interface inaonyesha:

• Matokeo yanaweza kuwasilishwa kwa clinician kwa namna inayoeleweka,
• Lengo ni classification inayoweza kutafsiriwa badala ya black box,
• Kitaalamu inawezekana kutengeneza patient profile kutoka routine tests.

Hata hivyo, haijaonyeshwa kwamba prototype inaboresha patient management.

Lifestyle analyses zinasema nini?

Katika lifestyle analyses, diet, physical activity, sedentary behavior, obesity na body-composition measurements zilichunguzwa kwa subgroups.

Katika C2, gradients kati ya physical activity levels na recurrence burden zilionekana wazi zaidi. Hii inaonyesha uwezekano kwamba movement, metabolic health na recurrence vinaweza kuhusiana katika urate-metabolic inflammatory profile.

Katika C3:

• Body mass index,
• Waist circumference,
• Body-fat percentage,
• Hip circumference,
• Trunk na leg fat mass vilionyesha associations zilizo dhahiri zaidi.

Matokeo haya yanaonyesha kwamba future research katika C3 inaweza kuhitaji kutathmini si serum urate pekee bali pia frailty, muscle-fat distribution na overall metabolic reserve.

Kwa nini causality haiwezi kutolewa kutoka lifestyle findings?

Physical activity na body composition hazikurandomishwa. Watu wenye afya bora wanaweza kusonga zaidi; wagonjwa wenye recurrent attacks wanaweza kusonga kidogo kwa sababu ya maumivu.

Vivyo hivyo, obesity inaweza:

• Kuongeza systemic inflammation,
• Kupunguza mobility,
• Kuwa sababu au matokeo ya comorbidities,
• Kuathiriwa na medications.

Kwa hiyo analyses hizi si evidence iliyokamilika ya kuchagua lifestyle intervention kwa subgroup; ni hypothesis-generating kwa future controlled studies.

Future care priorities zinazopendekezwa na utafiti

Mbinu katika jedwali hili si subgroup treatment rules zilizothibitishwa. Ni management hypotheses ambazo watafiti wanapendekeza zijaribiwe prospectively.

Nguvu za utafiti

• Sample kubwa ya wagonjwa 21.235 wa gout ilitumika.
• Population-based, multicenter hospital-based na inpatient cohorts zilitathminiwa pamoja.
• Outcomes na molecular data hazikutumika wakati wa clustering.
• Variables zinapatikana kwa kawaida katika clinical practice.
• Standardization na matching rules zilezile zilitumika katika cohorts zote tatu.
• Alternative clustering methods zilinganishwa pamoja na K-means.
• Parsimony, separation na bootstrap stability zilitathminiwa kwa cluster number.
• Subgroups zilichunguzwa kwa recurrence, healthcare utilization, comorbidity na death.
• Biological support ilitafutwa kwa genetic, proteomic na metabolomic analyses.
• Decision tree ilitengeneza transparent clinical classification approach.
• Cluster-label discrimination ilitathminiwa katika internal na external cohorts mbili.
• Lifestyle na body-composition research hypotheses zilichunguzwa kwa subgroup.
• Observational na hypothesis-generating limitations zilikubaliwa kwa kiasi kikubwa katika maandishi.
• STROBE na TRIPOD+AI principles zilizingatiwa katika reporting.

Mapungufu ya utafiti

• Hakuna peer review: utafiti bado ni preprint.
• Observational design: associations kati ya subgroups na outcomes hazithibitishi causality.
• Cohort definitions zinatofautiana: gout haikufafanuliwa kwa njia moja katika UK Biobank, GoutRe na MIMIC-IV.
• Measurement timing inatofautiana: UK Biobank ilitumia population baseline measurements, external cohorts hospitalization measurements.
• Acute-illness effect: laboratory values za hospitalization huenda ziliathiriwa na temporary inflammation na fluid changes.
• High missing-data exclusion: hasa katika MIMIC-IV wagonjwa wengi waliondolewa kwa kukosa required variables.
• Variables sita pekee: modeli ni practical lakini haijumuishi determinants zote za gout biology.
• Cluster boundaries zinaweza kuwa artificial: disease huenda ni continuous spectrum.
• External evaluation si independent reclustering: patients walipewa nearest UK Biobank centroids.
• Subgroup prevalence inabadilika: proportions za C1, C2 na C3 zilitofautiana sana kwa healthcare setting.
• Recurrence ni record-based: unrecorded attacks na healthcare-utilization differences zinaweza kuathiri outcome.
• Death haikumodeliwa kama competing risk: recurrence ya chini katika C3 inaweza kuathiriwa na mortality ya juu.
• Severe-admission reporting ni inconsistent: text inaonyesha C3, Figure 3G inaonyesha C2 kuwa juu zaidi.
• Multi-omics data ziko katika limited subsets: si washiriki wote wana molecular data.
• Molecular validation haikufanywa katika external cohorts: omics associations zinategemea zaidi UK Biobank.
• Decision tree inatabiri cluster label: si direct recurrence au death prediction model.
• Calibration haijakamilika: AUC ni high lakini clinical probability accuracy haijaonyeshwa.
• Hakuna decision curve: net clinical benefit haijatathminiwa.
• Subgroup fairness haijatathminiwa: performance kwa age, sex, ethnicity na laboratory systems tofauti haijachunguzwa kwa kina.
• Lifestyle analyses ni exploratory: subgroup-specific intervention effect haijaonyeshwa.
• Treatment histories zilitathminiwa kwa kiwango kidogo: duration, dose na target attainment ya urate-lowering therapy zinaweza kuathiri clusters na outcomes.
• Single-measurement classification: mabadiliko ya laboratory values kwa muda au transition kati ya subgroups hayakuchunguzwa.
• Code repository bado haijachapishwa: imeelezwa kuwa code itawekwa public kabla ya publication lakini current text haina permanent repository link.

Utafiti unasema nini?

• Routine laboratory data zinaweza kugawa wagonjwa wa gout katika clinical profiles tatu.
• Subgroups tatu si mpangilio wa serum urate levels pekee.
• C1 inawakilisha low burden na preserved reserve.
• C2 ni urate-metabolic inflammatory, recurrence-prone profile.
• C3 ni aging na systemic-frailty profile.
• C2 ilikuwa na recurrence rate ya juu zaidi katika cohorts zote tatu.
• C3 inaweza kuwa na broad comorbidity na mortality burden licha ya recurrence ya chini.
• Biological profile ya C2 inahusiana na urate-transporter genes, inflammation na atherogenic lipoproteins.
• Biological profile ya C3 inahusiana na cellular aging, tissue stress na phospholipid remodeling.
• Six-variable decision tree ilitenganisha cluster labels kwa AUC ya juu katika cohorts tofauti.
• Physical activity kwa C2 na obesity/body composition kwa C3 ni management areas zinazoweza kuchunguzwa.
• Gout risk assessment inapaswa kuzingatia systemic frailty pamoja na attack count.

Utafiti hausimi nini?

• Haudhibitishi kwamba C1, C2 na C3 ni disease types za kibiolojia zilizo kamili na zisizobadilika.
• Haupunguzi umuhimu wa serum urate katika treatment.
• Hauonyeshi kwamba wagonjwa wote wa C2 watapata recurrence mara kwa mara.
• Hauonyeshi kwamba wagonjwa wote wa C3 watakufa mapema.
• Hausemi kwamba subgroup moja ni “severe” zaidi kwa maana ya jumla kuliko nyingine.
• Hauonyeshi kwamba decision tree inatabiri recurrence kwa zaidi ya %90 accuracy.
• Hauonyeshi kwamba web application iko tayari kwa clinical use.
• Haudhibitishi kwamba exercise hupunguza recurrence katika C2.
• Haudhibitishi kwamba weight loss hupunguza mortality katika C3.
• Hauonyeshi kwamba subgroup-guided drug selection ni bora kuliko standard care.
• Hauonyeshi kwamba classification hii inaweza kuchukua nafasi ya clinician assessment.
• Haudhibitishi kwamba inaweza kutumika moja kwa moja na thresholds zilezile katika nchi tofauti.

Mbinu na Matokeo ya Utafiti

Technical study flow

Technical comparison ya subgroups tatu

Summary ya recurrence na mortality patterns

Decision-tree external-evaluation results

Performance values hizi ni za classification ya subgroup labels zilizoundwa kwa clustering, si za clinical outcomes.

Summary ya statistical methods

• Continuous variables zililinganishwa kwa analysis of variance au Kruskal-Wallis test kulingana na appropriateness.
• Categorical variables zilitathminiwa kwa chi-square au Fisher exact test.
• Time to recurrence ilichunguzwa kwa Kaplan-Meier curves na log-rank test.
• Cox regression ilitumika katika analyses ambapo proportional-hazards conditions zilifaa.
• All-cause mortality ilitathminiwa kwa separate Kaplan-Meier na Cox analyses.
• Benjamini-Hochberg false-discovery-rate correction ilitumika kwa multiple testing.
• Two-sided P<0,05 ilitumika kama statistical significance threshold.

Mantiki ya msingi ya Cox model, kwa maelezo, inaweza kuonyeshwa kama:

\[ h(t|X)=h_0(t)e^{\beta X} \]

Hapa h(t|X) ni event rate katika muda t kwa mgonjwa mwenye sifa fulani, h₀(t) ni baseline hazard na β ni coefficients za clinical features. Formula hii haikuandikwa moja kwa moja katika paper; imeongezwa ili kueleza survival analysis iliyotumika.

Ethics, data access na funding

UK Biobank study iliidhinishwa na North West Multi-centre Research Ethics Committee na written informed consent ilipatikana kutoka washiriki. Utafiti ulifanywa chini ya UK Biobank application 92668.

GoutRe iliidhinishwa na ethics boards za participating centers kwa namba NFEC-2023-562, NFEC-2023-577, TY-ZKY2024-081-01, 202409-K3-0 na PJ[2025]73. Kwa de-identified retrospective data, written-consent requirement iliondolewa.

MIMIC-IV data zilichunguzwa na authorized users chini ya PhysioNet data-use agreement. Database access iliidhinishwa chini ya record 63866361.

Utafiti uliungwa mkono na Guangzhou Traditional Chinese Medicine Major Science and Technology Project, joint fund ya National Natural Science Foundation of China na China Postdoctoral Science Foundation. Funders hawakuwa na role katika design, data collection, analysis, interpretation, writing au publication decision.

Waandishi hawakutangaza conflict of interest.

Dokezo la Chanzo na Mbinu

Maudhui haya yanatokana na utafiti wa Hui Zhang, Ruifeng Lin, Mingyang Jiang, Fei Zhong, Xiaoling Chen, Qingqing Zhang, Wenxia Lin, Jiani Liu, Danqi Xie, Tianfu Pang, Qingyun Li, Han Xiong, Siqi Zhang, Tao Wang, Chulan Li, Peiying Wang, Yiwen Liao, Junqing Zhu, Shixian Chen, Guichuan Lai, Yuying Zhang, Juan Li na Meng Li wenye kichwa “Routine-data digital phenotyping identifies externally transportable clinical subsets of gout: an observational discovery and external evaluation study”.

Utafiti ni preprint iliyowasilishwa kwenye SSRN na haujapitia peer review. Maandishi yana kauli wazi “This preprint research paper has not been peer reviewed”. Findings, analyses na interpretations zinaweza kubadilika baada ya peer review au katika versions zijazo.

Utafiti si randomized clinical trial. Unategemea observational analysis ya UK Biobank, GoutRe na MIMIC-IV health records; unsupervised clustering; centroid-based mapping kwa external cohorts na secondary analysis ya available molecular data.

C1, C2 na C3 subgroups si clinical diagnosis codes au established disease classes. Ni research phenotypes zilizotokana na statistical patterns za routine laboratory variables sita.

Patients katika external evaluation cohorts hawakufanyiwa independent reclustering kikamilifu, bali walipewa nearest profile ya cluster centers zilizopatikana katika UK Biobank. Kwa hiyo study inatoa support ya transportability lakini haithibitishi kwamba natural subgroups zilezile tatu zitarediscoveriwa independently katika populations zote.

High AUC values za decision tree ni za discrimination ya C1, C2 na C3 labels. Si performance ya recurrence, mortality au treatment-response prediction. Model calibration, net clinical benefit na real-workflow impact bado havijaonyeshwa.

Katika recurrence analysis, death kabla ya recurrence haikumodeliwa kama competing event; mgonjwa alicensored katika date of death. Kwa kuwa mortality inaonekana juu zaidi katika C3, recurrence rate yake ya chini inaweza kuathiriwa na competing mortality.

Kuna internal inconsistency kuhusu severe gout-related hospitalization kati ya text na Figure 3G. Text inaeleza C3 kuwa juu zaidi, lakini figure inaonyesha %2,9 kwa C2 na %1,5 kwa C3. Bila clarification, definitive subgroup interpretation haipaswi kufanywa.

Genetic, proteomic na metabolomic findings zinaongeza biological support kwa clinical subgroups; lakini analyses zinategemea zaidi UK Biobank subsets zenye molecular data. Molecular signatures hizi hazijathibitishwa katika independent external cohorts.

Lifestyle na body-composition analyses ni exploratory na observational. Utafiti haukujaribu clinical benefit ya physical activity, weight loss, dietary change au subgroup-specific drug strategy.

Maudhui haya yameandaliwa kwa kutegemea tu text, methods, tables, cohort flow diagrams, phenotype graphs, recurrence and mortality curves, genomic-proteomic-metabolomic analyses, decision-tree results, lifestyle figures na limitations katika study iliyopakiwa. Hakuna madai yasiyopo kwenye PDF kuhusu treatment superiority, clinical-use guarantee, precise individual risk au causality yaliyoongezwa.