Arthritis ya nyonga ni tatizo muhimu la mfumo wa musculoskeletal ambalo linaweza kusababisha maumivu, kupungua kwa uwezo wa kusogea, kupoteza utendaji na, katika hali zilizoendelea, hitaji la kubadilishwa kwa kiungo. Hata hivyo, inaaminika kwamba ugonjwa huu si matokeo ya uchakavu wa kimitambo wa uso wa kiungo pekee; unaweza kuwa mchakato changamano zaidi unaoundwa pamoja na kuzeeka, unene kupita kiasi, matatizo ya kimetaboliki, sifa za mfumo wa mzunguko wa damu na majibu ya kinga.

Utafiti huu uliunganisha vyanzo vitatu vikubwa vya data ili kuchunguza arthritis ya nyonga katika viwango vitatu tofauti. Kwa kutumia data za GBD 2021, mzigo wa ugonjwa duniani na mabadiliko yake kwa muda yalitathminiwa; kwa data za NHANES 2015-2018, modeli za hatari zilizotegemea sifa binafsi za kidemografia, mtindo wa maisha na kimetaboliki ziliundwa; na kupitia uchambuzi wa Gene Ontology uliofanywa kwa data za usemi wa jeni kutoka GEO, michakato ya kibayolojia inayoweza kuhusishwa na ugonjwa ilichunguzwa.

Katika uchambuzi wa NHANES, jumla ya watu wazima 4.239 walitathminiwa. Kati yao, 1.214 waliripoti kwamba daktari aliwahi kuwaambia kuwa walikuwa na arthritis kwenye nyonga, huku 3.025 hawakuripoti arthritis ya nyonga. Waliokuwa katika kundi la arthritis ya nyonga walikuwa na umri mkubwa zaidi, walikuwa wanawake kwa kiwango kikubwa zaidi, na walikuwa na fahirisi ya uzito wa mwili na viwango vya glukosi vilivyo juu zaidi. Uvutaji sigara pia ulikuwa wa kawaida zaidi katika kundi la arthritis.

Eneo chini ya mkunjo la modeli ya kawaida ya logistic regression iliyoundwa katika utafiti liliripotiwa kuwa 0,813, huku thamani ya AUC ya modeli ya machine learning ya XGBoost ikiwa 0,931. Thamani hizi zinaonyesha kwamba, ndani ya sampuli iliyotumika, modeli ya XGBoost ilitofautisha watu walioripoti na wasioripoti arthritis ya nyonga vizuri zaidi kuliko logistic regression. Uchambuzi wa SHAP ulionyesha umri, fahirisi ya uzito wa mwili, shinikizo la damu, glukosi na uvutaji sigara kuwa miongoni mwa sifa zinazochangia kwa kiasi kikubwa utabiri wa modeli.

Katika matokeo ya uboreshaji wa Gene Ontology, uanzishaji wa seli za kinga, mwingiliano wa seli kwa seli wa leukosaiti, shughuli za saitokini, kufungamana kwa kipokezi cha kemokini, extracellular matrix na miundo yenye kolajeni vilijitokeza. Matokeo haya yanaunga mkono wazo kwamba huenda kuna uhusiano kati ya msongo wa kimetaboliki wa kimfumo na michakato ya kinga-uchochezi pamoja na urekebishaji upya wa matrix katika tishu za kiungo.

Hata hivyo, utafiti hauthibitishi uhusiano wa kisababishi. Katika NHANES, arthritis ya nyonga haikuthibitishwa kwa radiografia au magnetic resonance imaging; ilitambuliwa kwa swali moja lililotegemea mtu kukumbuka utambuzi aliowahi kupewa na daktari. Zaidi ya hayo, nambari za ufikiaji za seti za data za usemi wa jeni na hatua za uteuzi wake hazikuelezwa kwa undani wa kutosha. Kwa kuwa utafiti huu ni preprint ambayo haijapitia peer review, matokeo yanapaswa kufasiriwa kwa tahadhari.

Kwa nini arthritis ya nyonga ni tatizo muhimu la afya?

Kiungo cha nyonga ni kiungo kikubwa kinachohamisha uzito wa mwili kutoka kwenye kiwiliwili kwenda kwenye viungo vya chini na kina jukumu kuu katika shughuli za kila siku kama kutembea, kukaa, kupanda ngazi, kuinama na kubadili mwelekeo. Kuharibika kwa gegedu ya kiungo, mfupa wa subchondral, tishu ya synovial na miundo inayozunguka kunaweza kusababisha maumivu, ukakasi, kupungua kwa kiwango cha mwendo na, kadiri muda unavyopita, kupungua kwa uwezo wa kuishi kwa kujitegemea.

Osteoarthritis ya nyonga mara nyingi huelezewa kama “uchakavu wa kiungo”, lakini ufafanuzi huu haujumuishi biolojia yote ya ugonjwa. Mbali na mzigo wa kimitambo, kuzeeka, muundo wa mwili, kimetaboliki ya glukosi, mfumo wa mzunguko wa damu, ishara za uchochezi na usawa wa urekebishaji wa extracellular matrix pia vinaweza kuhusishwa na ugonjwa.

Utafiti unaochunguzwa unajaribu kushughulikia hasa muundo huu wa tabaka nyingi. Watafiti waliunganisha maswali matatu ya msingi katika mfumo mmoja:

• Mzigo wa ugonjwa na ulemavu wa arthritis ya nyonga unabadilikaje katika kiwango cha dunia?
• Katika kiwango cha mtu binafsi, ni sifa zipi za kidemografia, mtindo wa maisha na kimetaboliki zinazoonekana pamoja na arthritis ya nyonga?
• Katika data za usemi wa jeni, ni michakato ipi ya kinga, uchochezi na urekebishaji wa tishu inayojitokeza?

Majukumu tofauti ya vyanzo vitatu vya data katika utafiti

Mtiririko wa utafiti unakusanya tabaka tatu za data zenye asili tofauti ndani ya uchambuzi mmoja.

Vyanzo hivi vitatu havitokani na watu wale wale. Kwa mfano, GBD hukadiria mzigo wa ugonjwa duniani, huku NHANES ikichunguza washiriki binafsi nchini Marekani. Katika uchambuzi wa GEO, data za usemi wa jeni hutumika. Kwa hiyo, utafiti haukufuatilia kundi moja la wagonjwa kutoka kiwango cha jumla hadi kiwango cha molekuli. Matokeo kutoka vyanzo huru vya data yameunganishwa katika mfumo mmoja wa kibayolojia katika hatua ya tafsiri.

Mtiririko wa jumla wa uchambuzi katika utafiti

Katika mchoro wa utafiti, GBD 2021, NHANES 2015-2018, data za transcriptome za GEO na hifadhidata ya mwingiliano wa protini ya STRING zimeonyeshwa kama vyanzo vya mwanzo. Baada ya kusafishwa na kuunganishwa kwa data hizi, uchambuzi uligawanywa katika matawi mawili makuu.

Katika tawi la kwanza, modeli za epidemiolojia na kliniki zilifanywa:

1. Logistic regression ya kigezo kimoja,
2. Logistic regression ya vigezo vingi,
3. Uteuzi wa vigezo kwa LASSO,
4. Modeli za utabiri za logistic regression na XGBoost,
5. Tathmini ya modeli kwa ROC, calibration na decision curve.

Katika tawi la pili, data za usemi wa jeni zilichambuliwa:

1. Uchambuzi wa differential gene expression,
2. Uboreshaji wa kiutendaji wa GO na KEGG,
3. Uchambuzi wa mtandao wa mwingiliano wa protini-protini kupitia STRING.

Hata hivyo, wakati matokeo ya uboreshaji wa GO yamewasilishwa kwa undani katika maandishi makuu na maelezo ya vielelezo, matokeo ya KEGG na mtandao wa mwingiliano wa protini-protini hayakuripotiwa kwa undani sawa. Kwa hiyo, si matokeo yote ya molekuli yaliyoonyeshwa katika mtiririko wa utafiti yanaweza kuthibitishwa kwa kujitegemea kupitia matokeo ya nambari au picha yaliyo kwenye maandishi.

GBD 2021 na upimaji wa mzigo wa ugonjwa duniani

GBD huunganisha rekodi za vifo, tafiti za afya, tafiti za epidemiolojia na data za mifumo ya afya kutoka nchi mbalimbali kwa kutumia ufafanuzi wa pamoja ili kutoa makadirio ya mzigo wa ugonjwa. Katika utafiti uliotathminiwa, imeelezwa kuwa data za kipindi cha 1990-2019 kutoka nchi 204 zilitumika.

Viashiria vikuu ni hivi:

• Idadi ya watu wanaoishi na arthritis ya nyonga au osteoarthritis ya nyonga,
• Viwango vya prevalence vilivyosanifishwa kwa umri,
• Idadi ya vifo na viwango vya vifo vilivyosanifishwa kwa umri,
• Disability-adjusted life years,
• Mabadiliko kulingana na maeneo ya sociodemographic index.

DALY ina maana gani?

Mwaka wa maisha uliorekebishwa kwa ulemavu, unaotokana na usemi wa Kiingereza disability-adjusted life year, huonyeshwa kwa kifupi DALY. DALY moja ni kipimo cha pamoja cha mzigo wa ugonjwa kinachowakilisha takribani mwaka mmoja wa maisha yenye afya uliopotea.

Ingawa haijaandikwa kama mlinganyo katika utafiti, uhusiano wa msingi wa dhana ya DALY unaweza kuonyeshwa kwa madhumuni ya maelezo kama ifuatavyo:

\[ DALY = YLL + YLD \]

Hapa:

• YLL, inaonyesha miaka ya maisha iliyopotea kutokana na kifo cha mapema.
• YLD, inaonyesha miaka ya kuishi na ugonjwa au ulemavu iliyorekebishwa kulingana na uzito wa hali hiyo.

Fomula hii inalenga kuzingatia si tu idadi ya vifo vinavyosababishwa na ugonjwa, bali pia miaka ambayo watu hulazimika kuishi na maumivu, kupungua kwa mwendo au kupoteza utendaji.

Ingawa arthritis ya nyonga kwa kawaida haifikiriwi kuwa ugonjwa wa kuua, kwa kuwa inaweza kusababisha upotevu wa utendaji wa muda mrefu, sehemu muhimu ya mzigo wa DALY inaweza kutokana na kipengele cha ulemavu. Hata hivyo, utafiti haukuchambua vipengele vya YLL na YLD kimoja kimoja kwa undani.

Mabadiliko katika maeneo ya sociodemographic index yaligawanywaje?

Watafiti waligawa mabadiliko ya DALY na vifo kati ya 1990 na 2019 katika vipengele vitatu vya msingi:

• Kuzeeka kwa idadi ya watu: Kuongezeka kwa sehemu ya makundi ya umri mkubwa katika jamii,
• Ukuaji wa idadi ya watu: Kuongezeka kwa jumla ya idadi ya watu,
• Mabadiliko ya epidemiolojia: Mabadiliko ya hatari ya kupata au kuathiriwa na ugonjwa bila kutegemea umri na ukubwa wa idadi ya watu.

Katika grafu, thamani chanya zinawakilisha michango inayoongeza mzigo wa jumla wa ugonjwa, huku thamani hasi zikiwakilisha michango inayoupunguza. Nukta nyeusi zinaonyesha mabadiliko halisi yanayotokana na mchanganyiko wa vipengele hivi.

Kulingana na tafsiri ya utafiti, ukuaji wa idadi ya watu na kuzeeka vilikuwa na jukumu muhimu katika ongezeko la dunia. Katika maeneo yenye sociodemographic index ya juu, kuzeeka na mabadiliko katika muundo wa idadi ya watu pia yameelezwa kuwa miongoni mwa sababu kuu zinazoongeza mzigo wa DALY na vifo.

Mgawanyo huu unaonyesha jambo muhimu: kuongezeka kwa jumla ya idadi ya wagonjwa hakumaanishi lazima kwamba hatari ya kila mtu kupata ugonjwa imeongezeka kwa kiwango sawa katika kila umri. Ikiwa jamii inaongezeka na kuzeeka, idadi ya jumla ya visa inaweza kuongezeka hata kama hatari maalumu kwa umri inabaki thabiti au inapungua.

Tofauti kati ya idadi halisi na kiwango kilichosanifishwa kwa umri

Katika mikunjo ya muda ya utafiti, inaonekana kwamba idadi halisi ya visa na viwango vilivyosanifishwa kwa umri havitembei katika mwelekeo mmoja. Imeripotiwa kuwa wakati jumla ya visa inaongezeka kwa muda mrefu, viwango vilivyosanifishwa kwa umri vinaweza kupungua.

Tofauti hii inayoonekana hutokana na ukweli kwamba vipimo hivi viwili vinajibu maswali tofauti:

• Idadi halisi: Ni watu wangapi kwa jumla katika jamii wanaathirika?
• Kiwango kilichosanifishwa kwa umri: Ikiwa muundo wa umri wa idadi za watu ungechukuliwa kuwa sawa, kiwango cha kutokea kwa ugonjwa kingekuwa kiasi gani?

Idadi ya watu wazee inapoongezeka, jumla ya visa vya arthritis ya nyonga inaweza kubaki juu hata kama hatari iliyosanifishwa kwa kila mtu inapungua. Kwa mifumo ya afya, idadi halisi huonyesha hitaji la huduma za kliniki, urekebishaji na prothesis, huku kiwango kilichosanifishwa kwa umri kikisaidia kuelewa mabadiliko ya hatari ya epidemiolojia kwa muda.

Makadirio ya 2035 yanaonyesha nini?

Katika grafu za mfululizo wa muda, uchunguzi wa zamani umeonyeshwa pamoja na makadirio ya modeli yanayoendelea hadi 2035. Kulingana na tafsiri ya utafiti, inatarajiwa kwamba jumla ya visa na vifo vitatulia au kupungua kidogo baada ya miaka ya 2010; huku prevalence na viwango vya vifo vilivyosanifishwa kwa umri vikiendelea kupungua.

Maeneo yenye kivuli yanayozunguka mistari ya makadirio yanaonyesha vipindi vya kutokuwa na uhakika. Kupanuka kwa maeneo haya kadiri yanavyoelekea siku zijazo kunaonyesha kuongezeka kwa kutokuwa na uhakika kwa makadirio ya modeli. Kwa hiyo, thamani za 2035 si idadi ambazo lazima zitokee; ni makadirio yaliyotolewa kwa kudhani kwamba mwenendo wa zamani utaendelea.

Inavutia kwamba kipindi cha data kinafafanuliwa kama 1990-2019 katika baadhi ya sehemu za maandishi na kama 1990-2021 katika sehemu nyingine. Katika maelezo ya kielelezo pia, mwanzo wa makadirio na mipaka ya kipindi cha nyuma havilingani kikamilifu. Kwa kuwa utafiti haujaeleza kwa undani wa kutosha mbinu za kihisabati za mfululizo huu wa muda na utabiri, namna makadirio yalivyotolewa inaweza kutathminiwa kwa kiwango kidogo tu.

Mzigo wa ugonjwa kulingana na umri na jinsia

Katika grafu mahususi za umri, viashiria vya DALY na vifo vinavyohusishwa na arthritis ya nyonga vinaonekana kuwa chini katika makundi ya vijana, huongezeka kadiri umri unavyoongezeka, na idadi halisi huwa dhahiri zaidi karibu na umri wa 60-70.

Kupungua tena kwa idadi halisi katika umri mkubwa sana hakumaanishi lazima kwamba hatari binafsi inapungua katika uzee. Idadi ndogo ya watu katika makundi haya au kupungua kwa idadi ya wanaosalia hai kunaweza kuathiri idadi halisi. Kwa hiyo, idadi ya watu katika grafu inapaswa kusomwa pamoja na viwango kwa kila watu 100.000.

Kuhusu matokeo ya jinsia, kuna ukinzani muhimu wa uripoti ndani ya makala:

• Katika muhtasari imeandikwa kwamba viwango vya DALY na vifo vilivyosanifishwa kwa umri ni vya juu zaidi kwa wanawake.
• Katika sehemu kuu ya matokeo na maelezo ya Kielelezo 3, imeelezwa kwamba wanaume wana viwango vya juu zaidi vya DALY na vifo katika makundi mengi ya umri.
• Katika sehemu ya majadiliano, imeelezwa tena kwamba wanawake wana prevalence na viwango vya DALY vilivyo juu zaidi.

Kauli hizi hazilingani. Kwa hiyo, si sahihi kutoa hitimisho la uhakika kutoka kwenye preprint hii kuhusu ikiwa mzigo wa dunia wa arthritis ya nyonga kwa jinsia ni mkubwa zaidi kwa wanawake au wanaume. Ukinzani huu unahitaji kufafanuliwa wakati wa peer review au marekebisho ya maandishi.

Washiriki wa NHANES walichaguliwaje?

NHANES ni utafiti wa kitaifa wa afya na lishe unaotegemea sampuli ya uwezekano ya hatua nyingi na unaolenga kuwakilisha idadi ya watu wa Marekani. Katika utafiti, washiriki wenye umri wa miaka 20 na zaidi katika kipindi cha 2015-2018 walitathminiwa.

Ufafanuzi wa arthritis ya nyonga ulitegemea taarifa binafsi kupitia swali lifuatalo:

“Je, daktari amewahi kukuambia kuwa una arthritis katika nyonga yako?”

Watu waliojibu ndiyo waliwekwa katika kundi la arthritis ya nyonga. Kwa hiyo, kigezo cha matokeo si osteoarthritis ya nyonga iliyothibitishwa kwa radiografia, magnetic resonance imaging au kigezo maalumu cha uchunguzi wa kliniki.

Swali hilo pia halitofautishi aina ya arthritis. Ingawa osteoarthritis ya nyonga ni mojawapo ya utambuzi unaowezekana zaidi, arthritis za uchochezi au magonjwa mengine ya viungo yanaweza pia kuwa yamejumuishwa katika taarifa hiyo binafsi. Hata hivyo, katika makala yote, maneno “arthritis ya nyonga” na “osteoarthritis ya nyonga” yanaonekana kutumiwa kwa kubadilishana mara kwa mara.

Sifa za msingi za sampuli ya NHANES

Kati ya washiriki 4.239, iliripotiwa kuwa 1.214 walikuwa na arthritis ya nyonga na 3.025 hawakuwa na arthritis ya nyonga.

Washiriki wenye arthritis ya nyonga walikuwa kwa wastani takribani miaka 15,8 wakubwa kuliko wale ambao hawakuripoti arthritis. Katika kundi la arthritis kulikuwa na uwiano mkubwa zaidi wa wanawake, wavutaji sigara na washiriki weupe wasio Wahispania.

BMI ya wastani katika kundi la arthritis ilikuwa 31,33 kg/m², huku katika kundi lisilo na arthritis ikiwa 28,94 kg/m². Tofauti hii inaonyesha kwamba arthritis ya nyonga inaweza kuonekana pamoja na uzito mkubwa wa mwili na mzigo wa kimetaboliki; lakini muundo wa cross-sectional peke yake hauthibitishi kwamba unene kupita kiasi husababisha arthritis.

Maumivu ya nyonga na kupungua kwa mwendo yanaweza kupunguza shughuli za kimwili na kusababisha kuongezeka kwa uzito. Kinyume chake, uzito mkubwa wa mwili unaweza kuweka mzigo wa kimitambo na kimetaboliki kwenye kiungo. Utafiti huu hauwezi kubainisha ni mchakato gani ulianza kwanza.

Tatizo muhimu katika jedwali la shinikizo la damu

Katika jedwali la chanzo, wastani uliotolewa kama shinikizo la damu la systolic ni 66,27 na 68,40 mmHg. Thamani hizi hazionekani kuendana na viwango vya kawaida vya shinikizo la systolic kwa watu wazima na ziko karibu zaidi na viwango vya diastolic.

Maandishi ya makala yanafafanua vigezo hivi kama SBP na DBP; lakini haijaelezwa jinsi data zilivyohesabiwa au kama kuna kosa linalowezekana la kuweka lebo. Kwa hiyo, si sahihi kusahihisha thamani hizi na kutumia nambari nyingine. Zinaweza kuwasilishwa tu kama zilivyoripotiwa kwenye chanzo, huku tatizo hili la uripoti likizingatiwa katika kutafsiri matokeo.

Ugumu wa kutafsiri taarifa za shughuli za kimwili

Katika jedwali, safu za shughuli za kimwili za wastani na kali zinaonyesha thamani za %100 kwa makundi yote mawili, na thamani ya P ya kulinganisha haijaripotiwa. Namna hii ya uwasilishaji hairuhusu kulinganisha kwa kuaminika mara kwa mara ya shughuli za kimwili kati ya wenye arthritis na wasio nayo.

Ingawa maandishi makuu yanaeleza kwamba mifumo ya shughuli za kimwili ilikuwa sawa, jedwali halionyeshi mgawanyo wa kina wa kuunga mkono hitimisho hilo.

Kwa nini standardization ilitumika?

Umri hupimwa kwa miaka, BMI kwa kg/m², glukosi kwa mg/dL na shinikizo la damu kwa mmHg. Watafiti walieleza kwamba walibadilisha vigezo endelevu kuwa z-scores ili kurahisisha kulinganisha coefficients za modeli.

Uhusiano wa msingi wa standardization, ambao haukuandikwa kama fomula katika utafiti, unaweza kuonyeshwa kwa maelezo kama ifuatavyo:

\[ z = \frac{x-\mu}{\sigma} \]

Hapa:

• x, ni thamani iliyopimwa ya mtu.
• \mu, ni wastani wa sampuli wa kigezo.
• \sigma, ni standard deviation.
• z, inaonyesha ni standard deviation ngapi thamani ya mtu iko mbali na wastani.

Kwa mfano, z=1 inaonyesha kwamba kipimo kiko standard deviation moja juu ya wastani wa sampuli. Njia hii huleta vigezo karibu na kipimo kimoja; lakini haimaanishi kwamba vina maana sawa kibayolojia.

Modeli ya logistic regression ilifanya nini?

Uwepo wa arthritis ya nyonga ni matokeo yenye makundi mawili: washiriki wanaoripoti arthritis na wale wasioripoti. Logistic regression inaweza kutumika kwa aina hii ya matokeo.

Makala haijatoa mlinganyo wazi. Mantiki ya msingi ya mbinu inaweza kuonyeshwa kwa madhumuni ya maelezo kama ifuatavyo:

\[ P(Y=1 \mid X) = \frac{1} {1+\exp\left[-\left(\beta_0+\beta_1X_1+\beta_2X_2+\cdots+\beta_pX_p\right)\right]} \]

Hapa:

• Y=1, inawakilisha mtu kuwa katika kundi la arthritis ya nyonga.
• X₁, X₂, ..., ni vigezo kama umri, BMI, uvutaji sigara, glukosi na shinikizo la damu.
• Coefficients za β, huamua mwelekeo na ukubwa wa vigezo ndani ya modeli.
• P, ni uwezekano wa arthritis unaokokotolewa na modeli.

Katika logistic regression, odds ratio hupatikana kutoka coefficient kwa uhusiano wa msingi ufuatao:

\[ OR = e^{\beta} \]

Ikiwa thamani ya OR ni zaidi ya 1, ongezeko katika kigezo husika huchukuliwa kuwa na uhusiano chanya na odds ya matokeo; ikiwa ni chini ya 1, huchukuliwa kuwa na uhusiano wa kinyume. Hata hivyo, maana ya kliniki ya uhusiano huo hutegemea namna kigezo kilivyowekwa msimbo na ni vigezo gani vilivyojumuishwa pamoja katika modeli.

Matokeo ya regression ya kigezo kimoja

Matokeo ya takribani yaliyoripotiwa katika grafu ya logistic regression ya kigezo kimoja ni kama ifuatavyo:

Kuna kizuizi muhimu katika kutafsiri thamani hizi: Kwa vigezo vya makundi kama race na jinsia, haijaelezwa wazi ni kundi gani lililowekwa msimbo kama 1, lipi kama 0 au lipi lilitumika kama reference. Kwa hiyo, haiwezekani kutoa hitimisho la moja kwa moja kama “kuwa mwanamke ni kinga” au kwamba kundi fulani la race huongeza hatari.

Kwa mfano, katika jedwali la mwanzo, %59,7 ya kundi la arthritis ni wanawake, ilhali katika grafu ya kigezo kimoja, kigezo cha jinsia kinaonyeshwa kwa OR=0,65. Kwa kuwa mwelekeo wa coding haujaelezwa, ingawa matokeo haya mawili yanaonekana kupingana, hali hiyo inaweza kutegemea ikiwa mwanaume=1 au mwanamke=1 ndiyo coding iliyotumika.

Vivyo hivyo, kuwasilisha kigezo cha “race” kwa thamani moja ya OR hakutoi maelezo ya kutosha kuhusu namna kigezo cha NHANES chenye makundi mengi ya race na ethnicity kilivyobadilishwa kuwa nambari.

Kuripoti matokeo ya vigezo vingi

Katika sehemu ya mbinu, imeelezwa kwamba vigezo vilivyopatikana kuwa muhimu katika uchambuzi wa kigezo kimoja viliingizwa kwenye modeli ya vigezo vingi. Hata hivyo, coefficients kamili za vigezo vingi, adjusted OR values na confidence intervals hazijawasilishwa katika jedwali tofauti katika maandishi makuu.

Kwa sababu ya upungufu huu, ukubwa wa athari huru za umri, BMI, uvutaji sigara, shinikizo la damu au glukosi hauwezi kutathminiwa kikamilifu kutoka kwenye maandishi ya utafiti. Ingawa makala inazitaja vigezo hivi kama “determinants”, kichwa cha grafu wazi ya OR ni logistic regression ya kigezo kimoja.

Uteuzi wa vigezo kwa LASSO

LASSO ni mbinu ya regularization inayotumika kupunguza athari za vigezo visivyo muhimu au vinavyofanana sana katika modeli zenye vigezo vingi. Kwa kuweka adhabu kwa absolute values za coefficients, inaweza kupunguza baadhi yake hadi sifuri.

Ingawa utafiti haukutoa mlinganyo, mantiki ya jumla ya LASSO logistic regression inaweza kuelezwa kwa objective function ifuatayo:

\[ \hat{\beta} = \arg\min_{\beta} \left[ -\ell(\beta) + \lambda\sum_{j=1}^{p}|\beta_j| \right] \]

Hapa:

• ℓ(β), ni log-likelihood term inayoonyesha jinsi modeli inavyolingana na data.
• λ, ni regularization parameter inayoamua nguvu ya adhabu.
• |β_j|, ni absolute value ya coefficient ya kila kigezo.

λ ikiwa ndogo, modeli huhifadhi vigezo vingi zaidi. λ inapoongezeka, coefficients hupungua na baadhi ya vigezo huondolewa kwenye modeli. Utafiti unaeleza kwamba ten-fold cross-validation ilitumika kuchagua thamani bora ya λ.

Katika kielelezo, nukta nyekundu zinaonyesha kipimo cha kosa au deviation katika thamani tofauti za λ, error bars zinaonyesha kutokuwa na uhakika, na mistari wima iliyokatika inaonyesha maeneo ya λ yaliyopendelewa.

Kwa nini modeli ya XGBoost ilitumika?

Logistic regression kwa kawaida hudhani uhusiano wa linear log-odds kati ya vigezo na matokeo. XGBoost, kwa upande mwingine, huunganisha miti mingi ya maamuzi kwa mpangilio ili kunasa uhusiano usio wa linear na mwingiliano kati ya vigezo.

Utabiri wa jumla wa XGBoost unaweza kuonyeshwa kwa madhumuni ya maelezo kama ifuatavyo:

\[ \hat{y}_i = \sum_{k=1}^{K} f_k(x_i) \]

Hapa:

• x_i, ni mstari wa data wa mtu unaojumuisha umri, BMI, glukosi na sifa nyingine.
• f_k, ni kila decision tree katika modeli.
• K, ni jumla ya idadi ya miti.
• ŷ_i, ni utabiri wa pamoja wa miti.

Kila mti mpya hujaribu kupunguza makosa ya miti iliyotangulia. Muundo huu unaweza kutoa uwezo mkubwa wa utabiri; lakini uchangamano wa modeli pia huleta hatari ya overfitting. Utafiti unaeleza kwamba grid search ilitumika kwa parameter optimization na cross-validation kwa model selection.

Matokeo ya ROC na AUC

ROC curve huonyesha usawa kati ya sensitivity na false positive rate katika decision thresholds tofauti. AUC, yaani eneo chini ya mkunjo, ni kipimo cha discrimination kinachofupisha uwezekano kwamba modeli itampa mtu mwenye arthritis aliyechaguliwa bila mpangilio risk score ya juu kuliko mtu asiye na arthritis aliyechaguliwa bila mpangilio.

Kwa tofauti kati ya AUC hizo mbili, DeLong test iliripotiwa kuwa P=7,76 × 10^-10. Thamani hii inaonyesha kwamba katika data set iliyotumika, AUC ya XGBoost ilikuwa juu zaidi kwa kiwango cha takwimu kuliko AUC ya logistic regression.

Hata hivyo, AUC ya juu pekee haimaanishi chombo cha screening kilicho tayari kwa matumizi ya kliniki. Haijajaribiwa kwa external validation ikiwa modeli hiyo itaonyesha utendaji sawa katika nchi nyingine, mfumo mwingine wa afya au kundi huru la wagonjwa.

Uchambuzi wa calibration

Hata kama uwezo wa modeli wa kutofautisha ni mkubwa, uwezekano unaozalishwa unaweza usilingane na hali halisi. Calibration curve, kwa mfano, huchunguza kama karibu %40 ya watu waliopewa hatari ya %40 kweli hupata matokeo hayo.

Utafiti unaeleza kuwa kulikuwa na ulinganifu mzuri kati ya uwezekano uliotabiriwa na uliotazamwa. Hata hivyo, katika grafu ya calibration, curve inaonekana kutengana na mstari bora wa nyuzi 45 katika baadhi ya maeneo. Zaidi ya hayo, kwa kuwa idadi ya washiriki katika kiwango cha hatari kubwa ni ndogo, uaminifu wa calibration katika maeneo hayo unaweza kuwa mdogo zaidi.

Uchambuzi wa decision curve

Decision curve analysis hutathmini si tu uwezo wa takwimu wa modeli kutofautisha, bali pia manufaa ya kinadharia ya kliniki ya kuitumia katika viwango fulani vya hatari. Lengo ni kulinganisha modeli na mikakati ya kuwachukulia watu wote kuwa katika hatari kubwa na kutomchukulia mtu yeyote kuwa katika hatari kubwa.

Utafiti uliripoti kwamba modeli za logistic na XGBoost zilitoa net benefit kubwa zaidi katika thresholds mbalimbali kuliko mikakati ya “mtathmini kila mtu” na “usimtathmini mtu yeyote”.

Hata hivyo, screening au matibabu halisi hayakujaribiwa hapa. Decision curve ni tathmini ya manufaa ya kinadharia inayokokotolewa kutoka kwenye utabiri wa modeli; haionyeshi kwamba kutumia modeli kumepunguza maumivu, hitaji la upasuaji au ulemavu.

Uchambuzi wa SHAP ulieleza nini?

Uchambuzi wa SHAP hutumiwa kueleza kiwango ambacho kila kigezo katika modeli changamano ya machine learning husukuma utabiri fulani juu au chini.

Katika SHAP summary plot, kiwango kikubwa zaidi cha athari kinaonekana katika kigezo cha umri. Hiki kinafuatiwa na BMI, shinikizo la damu la systolic na diastolic, glukosi, HDL na triglyceride.

Wazo la msingi la kihisabati la SHAP plot linaweza kuonyeshwa kwa madhumuni ya maelezo kama ifuatavyo:

\[ f(x) = \phi_0 + \sum_{j=1}^{p}\phi_j \]

Hapa:

• f(x), ni utabiri wa modeli kwa mtu.
• φ₀, ni utabiri wa mwanzo au wastani wa modeli.
• φ_j, ni thamani ya SHAP inayoonyesha kiasi ambacho kila sifa hubadilisha utabiri.

Thamani chanya ya SHAP inaweza kusukuma utabiri wa modeli kuelekea arthritis ya nyonga, na thamani hasi kuelekea kutokuwa na arthritis. Hata hivyo, thamani ya SHAP si athari ya kisababishi. Kigezo kinaweza kuwa muhimu katika utabiri wa modeli bila kuthibitishwa kuwa sababu ya kibayolojia ya ugonjwa.

Je, kitu ambacho modeli imejifunza kinaweza kuwa athari ya umri?

Wastani wa umri katika kundi la arthritis ya nyonga ni 62,27, huku wastani wa kundi la control ukiwa 46,50 mwaka. Tofauti hii ya takribani miaka 16 ni kubwa sana. Kuonekana kwa umri kama sifa yenye nguvu zaidi katika SHAP plot pia kunaendana na hali hii.

Hali hii inaashiria kwamba sehemu ya utendaji mkubwa wa modeli inaweza kutokana na tofauti dhahiri kati ya makundi ya umri. Utafiti haujaonyesha kama utendaji huo ungebaki sawa katika test group huru yenye mgawanyo wa umri unaofanana.

Uchambuzi wa GEO na Gene Ontology

GEO ni hifadhidata ya wazi ambako watafiti hushiriki data za usemi wa jeni na transcriptome. Utafiti unaeleza kwamba jeni zilizoonyesha differential expression katika transcriptomic data sets zinazohusishwa na kuzorota kwa mfumo wa musculoskeletal zilitolewa na kuingizwa katika uchambuzi wa uboreshaji wa Gene Ontology.

Gene Ontology hugawanya jeni katika vipengele vitatu vikuu:

• Biological process: Matukio mapana ya seli au fiziolojia ambayo jeni hushiriki,
• Cellular component: Muundo wa seli ambamo bidhaa ya jeni hupatikana,
• Molecular function: Shughuli ya kufungamana au enzymatic inayotekelezwa na bidhaa ya jeni.

Enrichment analysis hujaribu kama kazi fulani zinawakilishwa mara nyingi zaidi kuliko inavyotarajiwa kwa bahati katika orodha ya jeni zilizochaguliwa. Kuwa kwa pathway enriched hakuthibitishi kwamba pathway hiyo husababisha ugonjwa; kunaonyesha tu kwamba jeni zinazohusishwa na kazi hiyo zimewakilishwa kupita kiasi katika kundi la jeni lililochambuliwa.

Mada zinazojitokeza katika biological processes

Katika grafu ya biological process, vikundi vifuatavyo vya kazi vinajitokeza:

• Njia za ishara zinazowasha immune response,
• Positive regulation ya cell adhesion,
• Leukocyte cell-cell adhesion,
• Positive regulation ya cell activation,
• Udhibiti wa leukocyte activation,
• Uanzishaji wa lymphocyte na T cell,
• Immune cell surface receptor signaling.

Muundo huu unaashiria kwamba jeni zinazohusishwa na arthritis ya nyonga si za muundo wa gegedu pekee, bali pia zinahusishwa na mawasiliano na uanzishaji wa seli za kinga.

Miundo inayojitokeza katika cellular components

Katika uchambuzi wa cellular component, miundo ifuatayo ilijitokeza:

• Uso wa nje wa plasma membrane,
• Extracellular matrix yenye kolajeni,
• Endocytic vesicles,
• Membrane rafts na microdomains,
• Endoplasmic reticulum lumen,
• Clathrin-coated vesicle na miundo ya membrane,
• MHC class II protein complexes.

Extracellular matrix ni mtandao wa msaada unaoundwa na kolajeni, proteoglycan na molekuli nyingine za kimuundo zinazozunguka seli za gegedu. Kuvurugika kwa usawa kati ya uzalishaji na uvunjaji wa mtandao huu kunaweza kuchangia kupotea kwa sifa za kimitambo za gegedu ya kiungo.

Membrane microdomains na endocytic vesicles zinahusishwa na seli kutambua ishara kutoka nje, kusafirisha receptors na kudhibiti mawasiliano ndani ya seli. Uboreshaji wa MHC class II complexes unaonyesha muundo unaohusishwa na antigen presentation na shughuli za adaptive immunity.

Mada zinazojitokeza katika molecular functions

Katika uchambuzi wa molecular function, kazi zifuatazo ziliripotiwa kuwa enriched:

• Shughuli ya saitokini,
• Kufungamana kwa cytokine receptor,
• Kufungamana kwa chemokine receptor,
• Shughuli ya immune receptor,
• Kufungamana kwa MHC protein complex,
• Vipengele vya kimuundo vya extracellular matrix,
• Kufungamana kwa fibronectin,
• Kufungamana kwa peptide na amide.

Saitokini ni protini zinazowezesha seli kuwasiliana kupitia ishara za kinga na uchochezi. Chemokines hasa zinaweza kuelekeza mwendo wa seli za kinga kwenda kwenye tishu fulani. Uboreshaji wa kazi hizi unaendana na wazo kwamba kuzorota kwa kiungo kunahusisha zaidi ya uchakavu wa kimyakimya.

Uhusiano uliowekwa kati ya msongo wa kimetaboliki na tishu ya kiungo

Tafsiri kuu ya kibayolojia ya utafiti ni kwamba sifa za kimfumo za kimetaboliki kama unene kupita kiasi, glukosi ya juu na shinikizo la damu zinaweza kuhusishwa na uchochezi na urekebishaji upya wa extracellular matrix.

Uhusiano huu unaowezekana unaelezewa kupitia mnyororo wa dhana ufuatao:

1. Unene kupita kiasi na matatizo ya kimetaboliki yanaweza kuongeza ishara za uchochezi za kimfumo.
2. Ishara za cytokine na chemokine zinaweza kubadilisha tabia ya seli za kinga katika tishu za kiungo.
3. Mawasiliano kati ya chondrocytes, synovial cells na seli za kinga yanaweza kuvurugika.
4. Usawa kati ya uundaji na uvunjaji wa extracellular matrix unaweza kuelekea upande wa uvunjaji.
5. Uadilifu wa gegedu, utendaji wa kiungo na michakato ya maumivu vinaweza kuathirika.

Hata hivyo, mnyororo huu wote haukujaribiwa moja kwa moja kwa watu wale wale. Katika NHANES, vipimo vya kimetaboliki vilichambuliwa, huku katika sampuli tofauti za GEO mifumo ya usemi wa jeni ilichambuliwa. Kwa hiyo, haijaonyeshwa kwamba sifa fulani ya kimetaboliki iliwezesha pathway maalumu ya molekuli katika mtu fulani.

Mapungufu ya uripoti katika uchambuzi wa GEO

Katika sehemu ya mbinu, kunatajwa transcriptomic data sets zinazohusishwa na kuzorota kwa mfumo wa musculoskeletal “kama mfululizo wa GSE”, lakini accession numbers kamili za GEO zilizotumika hazijaorodheshwa wazi.

Taarifa zifuatazo pia hazikutolewa kwa undani:

• Ni GEO data sets ngapi zilitumika,
• Kama sampuli zilitoka kwenye nyonga, goti, gegedu, synovium au tishu nyingine,
• Idadi ya wagonjwa na controls,
• Thresholds za differential expression,
• Namna batch effect kati ya data sets ilivyorekebishwa,
• Ni comparison gani iliyotumiwa kuzalisha gene list,
• Ni nodes zipi zilichaguliwa kutoka STRING protein interaction network.

Waandishi pia wanaeleza katika sehemu ya mapungufu kwamba functional enrichment ilitumia public gene sets badala ya transcriptome data mahsusi ya kiungo. Hali hii inapunguza umaalumu wa matokeo ya molekuli kwa kiungo cha nyonga.

Maana ya utafiti kwa maisha ya kila siku

Matokeo yanaashiria kwamba hatari ya arthritis ya nyonga huenda isielezwe kwa kiwango ambacho kiungo kinatumika pekee. Uzito wa mwili, udhibiti wa glukosi, uvutaji sigara na afya ya jumla ya kimetaboliki vinaweza kuwa viashiria vinavyopaswa kutathminiwa pamoja na mzigo wa kiungo.

BMI ya juu inaweza kuongeza mzigo wa kimitambo kwenye nyonga. Mbali na hilo, molekuli za ishara zinazozalishwa na tishu ya mafuta pamoja na metabolic inflammation zinaweza pia kuathiri mazingira ya kibayolojia yanayozunguka kiungo. Hata hivyo, utafiti haukujaribu kwamba kupunguza uzito kunazuia arthritis ya nyonga kwa uhakika au kwamba lishe fulani hutibu ugonjwa.

Kwa upande wa mfumo wa afya, kuzeeka kwa idadi ya watu kunaweza kufanya jumla ya idadi ya wagonjwa na mahitaji ya rehabilitation kubaki juu hata kama hatari iliyosanifishwa kwa umri inapungua. Hali hii inaweza kuathiri mipango ya physiotherapy, udhibiti wa maumivu, vifaa vya kusaidia mwendo, upotevu wa nguvu kazi na huduma za arthroplasty.

Nguvu za utafiti

• Mzigo wa ugonjwa duniani, epidemiolojia ya mtu binafsi na kazi za molekuli zimeshughulikiwa katika mfumo mmoja wa uchambuzi.
• Data za GBD hutoa wigo mpana wa kijiografia na tathmini ya mwenendo wa muda mrefu.
• NHANES ni utafiti mpana wa afya unaolenga kuwakilisha idadi ya watu wa Marekani.
• Logistic regression ya kawaida ililinganishwa na XGBoost, ambayo inaweza kunasa uhusiano usio wa linear.
• Uteuzi wa vigezo na regularization ulifanywa kwa LASSO.
• Utendaji wa modeli ulitathminiwa si kwa AUC pekee, bali pia kwa calibration na decision curve.
• Uchambuzi wa SHAP ulijaribu kueleza tabia ya machine learning model katika kiwango cha vigezo.
• Uchambuzi wa Gene Ontology ulitoa muktadha unaowezekana wa kibayolojia kwa matokeo ya epidemiolojia.
• Vyanzo vikuu vya data vilivyotumika vinapatikana kwa umma.

Mapungufu ya utafiti

• Kutokuwepo kwa peer review: Utafiti bado haujapitia tathmini huru ya peer review.
• Muundo wa cross-sectional wa NHANES: Mpangilio wa muda na uhusiano wa kisababishi kati ya risk factor na arthritis hauwezi kubainishwa.
• Utambuzi unaotegemea taarifa binafsi: Arthritis ya nyonga haikuthibitishwa kwa imaging au vigezo vya kawaida vya kliniki.
• Kutokuwa wazi kwa aina ya ugonjwa: Swali la NHANES halitenganishi wazi osteoarthritis ya nyonga na aina nyingine za arthritis.
• Kutolingana kwa istilahi: Katika maandishi, dhana za arthritis ya nyonga na osteoarthritis ya nyonga wakati mwingine hutumiwa kwa kubadilishana.
• Ukinzani katika matokeo ya jinsia: Muhtasari, matokeo na majadiliano yanaripoti mwelekeo tofauti wa mzigo mahususi wa jinsia.
• Thamani za shinikizo la damu: Wastani ulioripotiwa kama SBP hauonekani kuendana na viwango vya kawaida vya systolic.
• Kukosekana kwa coefficients za vigezo vingi: Matokeo kamili ya adjusted OR hayakuwasilishwa katika jedwali la kina.
• Coding ya vigezo vya makundi: Reference groups na mwelekeo wa coding wa vigezo vya jinsia na race haujaelezwa.
• Uripoti wa shughuli za kimwili: Thamani za %100 kwenye jedwali haziruhusu kulinganisha makundi.
• Kukosekana kwa external validation: Modeli ya XGBoost haijajaribiwa katika cohort huru.
• Athari ya mgawanyo wa umri: Tofauti kubwa ya umri kati ya makundi ya arthritis na control inaweza kuwa imechangia sana utendaji wa modeli.
• Ukosefu wa maelezo ya GEO: Accession numbers, idadi za sampuli na vyanzo vya tishu vya data sets zilizotumika havijaelezwa wazi.
• Umahsusi wa kiungo: Matokeo ya molecular enrichment yanaweza yasiwe mahsusi kwa tishu ya nyonga.
• Mbinu ya makadirio: Technical model ya makadirio ya 2035 haijaelezwa kwa undani wa kutosha.
• Kutolingana kwa kipindi cha data: Sehemu tofauti za maandishi zinatumia kwa pamoja marejeo ya 1990-2019, 1990-2021 na makadirio baada ya 2020.

Utafiti unasema nini?

• Ukubwa halisi wa mzigo wa dunia wa arthritis ya nyonga unabaki juu kutokana na kuzeeka na ukuaji wa idadi ya watu.
• Baadhi ya viwango vilivyosanifishwa kwa umri vinaweza kupungua huku jumla ya visa ikibaki juu.
• Katika sampuli ya NHANES, watu walioripoti arthritis ya nyonga walikuwa na umri mkubwa zaidi, BMI na glukosi za juu zaidi, na walivuta sigara mara nyingi zaidi.
• Katika data set iliyotumika, modeli ya XGBoost ilipata AUC ya juu kuliko logistic regression.
• Umri, BMI, shinikizo la damu na glukosi zilikuwa miongoni mwa sifa zilizochangia kwa kiasi kikubwa utabiri wa modeli.
• Katika gene enrichment analysis, immune activation, cytokine signaling na michakato ya extracellular matrix vilijitokeza.
• Arthritis ya nyonga inaweza kuwa ugonjwa changamano unaohitaji kutathmini kwa pamoja vipengele vya kimitambo, kimetaboliki na uchochezi.

Utafiti hausomi nini?

• Haithibitishi kwamba unene kupita kiasi, glukosi ya juu au uvutaji sigara husababisha arthritis ya nyonga moja kwa moja.
• Hautabiri kwa uhakika wa kliniki kama mtu fulani atapata arthritis ya nyonga siku zijazo.
• Haithibitishi kwamba modeli ya XGBoost itaonyesha utendaji sawa katika populations huru.
• Haionyeshi kwamba matumizi halisi ya kliniki ya modeli hupunguza viwango vya ugonjwa, upasuaji au ulemavu.
• Haithibitishi kwamba pathways zilizoonekana katika GO enrichment ndiyo sababu mahsusi za molekuli za arthritis ya nyonga.
• Haionyeshi cytokine au jeni yoyote kama therapeutic target iliyothibitishwa.
• Haijajaribu katika utafiti huu kama kupunguza uzito, kudhibiti glukosi au kuacha sigara huboresha matokeo ya arthritis.
• Haitoi hitimisho lenye uthabiti wa ndani kuhusu kama wanawake au wanaume wana mzigo mkubwa zaidi duniani.
• Haitenganishi kwa uhakika osteoarthritis ya nyonga na aina nyingine za arthritis ya nyonga.

Mbinu na Matokeo ya Utafiti

Muhtasari wa kiufundi wa muundo wa utafiti

Matokeo makuu ya nambari

Muhtasari wa matokeo ya functional enrichment

Tathmini ya kiufundi

Matokeo ya XGBoost katika utafiti yanaonyesha uwezo wa machine learning kunasa uhusiano changamano na usio wa linear kati ya vigezo. Hata hivyo, thamani ya kliniki ya prediction model haiwezi kuthibitishwa kabla ya kupitia hatua zifuatazo:

1. Ripoti kamili na ya uwazi ya model development,
2. Validation katika independent external data set,
3. Uchambuzi wa performance katika makundi tofauti ya umri, jinsia na ethnicity,
4. Kuweka clinical thresholds mapema,
5. Prospective study inayojaribu kama modeli inaboresha maamuzi na matokeo ya wagonjwa.

Utafiti huu unatoa ushahidi wa epidemiolojia na computational wa hatua za mwanzo; hauthibitishi kwamba umeunda clinical diagnostic tool iliyo tayari kutumika.

Maelezo ya Chanzo na Mbinu

Maudhui haya yanategemea utafiti ulioandaliwa na Geng Peng, Nan Lai, Can Liu, Kang Qin, Yucheng Song, Yijun Wang na Liang Zhao wenye kichwa “Epidemiological and Metabolic Determinants of Hip Arthritis: A Multi-Database Analysis Integrating GBD, NHANES, and GEO Data”.

Utafiti ni preprint iliyochapishwa kwenye SSRN. Maandishi ya asili yana kauli ya wazi “This preprint research paper has not been peer reviewed”. Kwa hiyo, matokeo hayajapitia independent scientific peer review na mbinu, uwasilishaji wa data au tafsiri zinaweza kubadilika katika matoleo yajayo.

Utafiti si clinical trial mpya, patient follow-up study, laboratory experiment au treatment comparison. Ni uchambuzi wa secondary public data sources kama GBD 2021, NHANES 2015-2018 na GEO. Sehemu ya NHANES ni cross-sectional na arthritis ya nyonga inategemea mtu kuripoti kwamba aliwahi kupewa utambuzi huo na daktari.

Kwa kuwa data za GBD na NHANES zimeondolewa taarifa za utambulisho na zinapatikana kwa umma, watafiti waliripoti kwamba hakukuwa na haja ya separate ethics committee approval au new participant consent. Imeelezwa kwamba utafiti haukupata ufadhili maalumu kutoka shirika la umma, biashara au lisilo la faida. Waandishi hawakuripoti conflict of interest.

Kuna kutokuwa wazi kwa uripoti kuhusu matokeo ya jinsia, kipindi cha GBD, thamani za systolic blood pressure, coding ya categorical variables na utambulisho wa GEO data sets. Haya yamewasilishwa kama yalivyoripotiwa katika utafiti, bila kusahihishwa au kubadilishwa kwa taarifa kutoka vyanzo vya nje, huku mapungufu yake yakielezwa.

Maudhui haya yameandaliwa kwa kutegemea tu mbinu, grafu, majedwali, matokeo ya nambari, tafsiri na mapungufu katika PDF iliyopakiwa. Hakuna madai ambayo hayapo katika utafiti kuhusu treatment success, guarantee ya clinical use, causality, definitive molecular mechanism au guarantee ya prevention of disease yaliyoongezwa.