Vývoj modelů strojového učení pro predikci pooperačního rozlišení symptomů GERD po laparoskopické Nissenově fondoplikaci

U pacientů s gastroezofageálním refluxním onemocněním (GERD) se refrakterní k lékům nebo u pacientů, kteří by měli vyžadovat dlouhodobé lékařské ošetření, byla provedena chirurgie anti-reflux (ARS), včetně Nissen Fundoplication. GERD je obvykle diagnostikována jako poškození sliznic jícnu nebo expozice patologické kyseliny jícnu. Asi 35% pacientů s příznaky gastroezofageálního refluxu však nevykazuje abnormální nálezy na monitorování ezofagogastroduodenoskopie (EGD) a monitorování pH jícnu. Mezitím asi 10% pacientů s typickými příznaky GERD a 30-50% pacientů s atypickými příznaky GERD nezažívá zlepšení příznaků ani po podstupu AR. Proto byla stále více zdůrazněna význam předpovídání zlepšení symptomů po ARS a náležitě výběru chirurgických kandidátů.

Ačkoli předchozí studie navrhly několik prediktorů-včetně délky dolního jícnu osvěttitele (LES), klidového tlaku LES a bolusova expozice, která předpovídá rozlišení symptomů GERD po ARS, žádný model komplexně integroval výsledky EGD, monitorování pH ezofageální a manometrií.

Elastická síťová regrese je metoda strojového učení, která využívá regularizovanou regresní analýzu, kombinující tresty L1 (LASSO) a L2 (hřeben). Tento přístup činí model relativně robustní vůči nadměrnému návaznosti a je vhodný pro datové sady s malou velikostí vzorku, velkým počtem proměnných a závažnou multicollinearitou. Technika převzorkování syntetické menšiny (SMOTE) je metoda, která zvyšuje interpretovatelnost třídy menšiny v modelu nadměrným vzorkováním dat třídy menšin pomocí algoritmu K-Nejbližší sousedy (K-NN). Cílem této studie je proto vyvinout modely strojového učení pro predikci pooperačního gastroezofageálního rozlišení symptomů refluxu po laparoskopické Nissenově fondoplikaci pomocí elastické čisté regrese a Smote.

Do této studie bude zahrnuto celkem 112 pacientů, kteří podstoupili LNF od února 2017 do února 2023. Předoperační a pooperační příznaky gastroezofageálních příznaků, včetně pálení a regurgitace, byly hodnoceny pomocí dotazníku kvality života související s GERD (GERD-HRQL) a korejské verze dotazníku GERD. Pooperační příznaky byly hodnoceny 1, 3, 6, 9 a 12 měsíců po operaci. Pacienti s více než 70% zlepšením symptomů při posledním sledování budou klasifikováni jako skupina rozlišení symptomů. Bude vyvinuto celkem 21 modelů, které předpovídají rozlišení pálení, regurgitace nebo atypických příznaků pomocí výsledků manometrie, 24hodinového monitorování pH jícnu nebo obojí se sedmi modely pro každý příznak. Všechny modely také zahrnují výsledky EGD. Elastická síťová regrese a metoda Smote budou použity pro přepracování třídy menšin a vývoji modelu. Výkon modelu bude ověřen pomocí pětinásobné křížové validace. Kromě hodnocení diskriminace modelu bude provedena kalibrační analýza, aby se vyhodnotilo, jak dobře se předpokládané pravděpodobnosti v souladu s pozorovanými výsledky v souladu. Prediktivní výkon konvenčních prediktorů a možných prediktorů, včetně délky LES, klidového tlaku LES a doba expozice bolusu, bude porovnán s modelovým výkonem nového modelu.