Prediktivní model pro jednoroční výsledky bolesti a funkce po operaci palcového kloubu u pacientů s osteoartrózou

Tato studie si klade za cíl vyvinout a ověřit prediktivní modely pro hodnocení výsledků bolesti a funkce ruky jeden rok po artroplastice trapeziometakarpálního kloubu (TMJ) pomocí protézy Touch®. Studie využívá jednocentrový prospektivní registr ze specializované ortopedické nemocnice ve švýcarském Curychu.

Analytické metody:

K určení nejlepší prediktivní hodnoty pro jednoletý výsledek bolesti použijeme následující modelovací přístup. Zvolený model je:

- Extreme Gradient Boosting (XGBoost): Neparametrický přístup založený na souborech, který kombinuje rozhodovací stromy prostřednictvím posilování, aby zachytil komplexní interakce prvků a efektivně modeloval nelinearitu. XGBoost také zahrnuje regularizaci L1 a L2, což mu umožňuje zvládat přetížení a zároveň poskytuje silný prediktivní výkon. XGBoost je známý svým vynikajícím výkonem při zachycování složitých vztahů, poskytováním robustních předpovědí v různých datových kontextech a také získáním první ceny v mnoha datathonech AI.

Chybějící údaje:

Očekáváme chybějící data pro pacientem hlášené klinické, radiologické a doplňkové proměnné. Abychom to řešili, budeme

1. Posuďte rozsah a vzorce chybějících pro každou proměnnou pomocí deskriptivní statistiky a grafických metod.
2. Zkoumejte důvody chybějících hodnot a potenciální rozdíly mezi jednotlivci s neúplnými údaji a bez nich.
3. Zvládejte chybějící data pomocí nativní schopnosti XGBoost spravovat chybějící hodnoty přímo učením optimálních rozdělení pro chybějící data, čímž se u tohoto modelu eliminuje potřeba externích imputačních přístupů.

Vývoj modelu:

Extrémní zesílení přechodu (XGBoost):

• Data budou rozdělena na trénovací (70 %) a testovací (30 %) sadu. Model XGBoost bude trénován pomocí ladění hyperparametrů pomocí vyhledávání v mřížce v kombinaci s opakovaným 5násobným křížovým ověřením (opakovaným 5krát) na trénovací sadě. Tato opakovaná křížová validace slouží jako interní validace k zajištění robustního a nestranného odhadu výkonnosti modelu během tréninku. Vyhledávání prostoru mřížky prozkoumá rozumný rozsah hodnot pro klíčové hyperparametry, jako jsou:

  • Počet posilovacích kol (nkoly): (např. 50, 100, 200)
  • Rychlost učení (eta): (např. 0,05, 0,1, 0,3)
  • Maximální hloubka stromů (max_depth): (např. 2, 4, 6)
  • Minimální součet instancí v každém uzlu (min_child_weight): (např. 1, 2, 4)
• Prostor mřížky bude udržován na střední velikosti, aby byla vyvážena komplexnost s výpočetní proveditelností, což zajistí důkladné prozkoumání důležitých hyperparametrů a zároveň se vyhne příliš vyčerpávajícímu hledání.
• Při vývoji našeho modelu se zaměříme na zvýšení výkonu a snížení nadměrného vybavení použitím výběru prvků pro řešení kolinearity. Prozkoumáme také minimální sadu funkcí pomocí skóre důležitosti funkcí z počátečního modelu XGBoost a také odborných znalostí, abychom upřednostnili klinicky relevantní prediktory. Nakonec prozkoumáme inženýrství funkcí (např. polynomiální transformace), abychom zvýšili prediktivní sílu našeho modelu.

Hodnocení modelu:

• Zdržená testovací sada: Po interní validaci a vyladění hyperparametrů bude konečný model vyhodnocen na 30% zdržené testovací sadě, aby se posoudila jeho výkonnost na neviditelných datech, což poskytuje nezkreslený odhad zobecnění.

• Metriky výkonu:

  • R² (Koeficient determinace): K vyhodnocení podílu rozptylu vysvětleného modelem.
  • Střední absolutní chyba (MAE): Pro kvantifikaci průměrné velikosti chyb predikce a posouzení přesnosti modelu pro průběžné výsledky, nabízející klinicky vstřícnou interpretaci chyby.
  • Kalibrační a validační grafy: Pro posouzení shody mezi pozorovanými a předpokládanými výsledky, vyhodnocení toho, jak dobře se předpokládané hodnoty shodují se skutečnými hodnotami ve studované populaci.
• Křivka učení: K vyhodnocení výkonu modelu v různých velikostech tréninkových sad budou použity křivky učení. Vynesením chyb trénování a ověřování proti počtu velikostí trénovacích vzorků (podmnožiny celé datové sady) můžeme posoudit přizpůsobení modelu, pozorovat chování při učení a určit, zda by našemu výkonu modelu prospěla další trénovací data.
• Nejistota predikce: Použijeme bootstrap agregaci (bagging), podle metod od Hastie et al., abychom získali predikční intervaly, které kvantifikují nejistotu v jednotlivých XGBoost predikcích analýzou rozptylu chyb predikce napříč bootstrap vzorky. Na rozdíl od intervalů spolehlivosti tyto intervaly zohledňují jak nesprávnou specifikaci modelu, tak nejistotu výsledku.

Výstup modelu:

Konečný model použijeme k vývoji webového kalkulátoru výsledků pro bolest a funkci 1 rok po operaci. Tento nástroj je určen především pro použití klinickými lékaři s cílem usnadnit společné rozhodování s pacienty. Tím, že poskytuje jasné vizualizace a snadno srozumitelné klasifikace, pomůže kalkulátor lékařům vysvětlit potenciální výsledky pacientům a podpoří zapojení pacientů do plánování léčby. Výstup modelu bude zahrnovat buď předpokládané skóre bolesti na numerické hodnotící stupnici 0-10 (NRS) nebo skóre funkce ruky bMHQ, které se pohybuje v rozmezí 0-100.

Na základě výsledku budou přesné předpokládané hodnoty vizuálně zvýrazněny následovně:

• Zelená: NRS 0-3, bMHQ 67-100 (indikuje pozitivní výsledky)
• Oranžová: NRS 4-7, bMHQ 34-66 (indikuje střední výsledky)
• Červená: NRS 8-10, bMHQ 0-33 (indikující špatné výsledky) Cílem této klasifikace je poskytnout rychlou, vizuální reprezentaci předpokládaných výsledků a usnadnit lékařům a pacientům interpretaci výsledků a pochopení úrovně rizika nebo očekávaný potenciál obnovy. Prahové hodnoty klasifikace se mohou změnit na základě další validace, aby byla zajištěna přesnost a klinická relevance.