Data-drevet klyngedannelse i hæmoridekirurgi: Retrospektiv monocentrisk undersøgelse til identifikation af kliniske fænotyper (PROCTO-CLUSTER)

Hemorroidal sygdom præsenterer sig med heterogene symptommønstre, anatomiske fund og operative strategier, der ikke fuldt ud fanges af traditionelle grad-baserede klassifikationer. Denne undersøgelse har til formål at identificere latente, klinisk fortolkelige fænotyper blandt kirurgiske patienter ved hjælp af en fuldstændig uovervåget maskinlæringspipeline anvendt på rutinemæssigt indsamlede perioperative data fra et højvolumen tertiært henvisningscenter.

Dette er en retrospektiv, observationsbaseret analyse af anonymiserede institutionsjournaler. Det analytiske datasæt vil omfatte rutinemæssigt dokumenterede variabler, der spænder over baseline demografi/antropometri, symptomprofil og relevant klinisk historie, operativ teknik og intraoperative beskrivelser samt rutinemæssigt indsamlet postoperativ opfølgningsinformation. Data vil blive ekstraheret ved hjælp af en foruddefineret datadictionary og standardiserede forbehandlingsregler for at understøtte reproducerbarhed og reducere variabilitet i variabeldefinitioner.

Den primære analytiske tilgang vil være uovervåget klyngedannelse. Variabler vil blive renset og standardiseret før modellering. Dimensionsreduktion vil blive udført ved hjælp af t-fordelt stokastisk nabo-indlejring (t-SNE), initialiseret med hovedkomponentanalyse for at forbedre stabiliteten. Klyngedannelse vil derefter blive udført ved hjælp af k-means klyngedannelse på det reducerede funktionsrum. En række klyngeløsninger vil blive udforsket, og den endelige løsning vil blive valgt ved hjælp af interne validitetsmålinger (f.eks. silhouette-baserede mål) sammen med vurdering af klinisk fortolkelighed. Model robusthed vil blive evalueret gennem gentagne kørsler på tværs af flere tilfældige frø og vigtige parameterindstillinger for at vurdere stabiliteten af klyngetildelinger.

Efter klyngetildeling vil klynger blive karakteriseret ved hjælp af beskrivende og sammenlignende statistik for at identificere variabler, der mest adskiller fænotyper. Post-hoc funktionsrelevans/vigtighedstilgange vil blive brugt til at udforske, hvilke demografiske, kliniske og kirurgiske faktorer der stærkest bidrager til klyngedannelse, med vægt på effektstørrelser og klinisk meningsfulde mønstre snarere end alene hypotesetestning. Resultater vil blive brugt til at generere hypoteser omkring fænotyper, der kan være forbundet med større operativ kompleksitet og forskellige postoperative forløb, der understøtter fremtidigt arbejde med prædiktiv modellering og individuel kirurgisk beslutningsstøtte.

Alle analyser vil blive udført inden for et kontrolleret institutionsmiljø ved hjælp af valideret statistisk og datamining software, med dokumenterede parameterindstillinger og versionssporing for at muliggøre reproducerbarhed. Kun anonymiserede data vil blive brugt til analyse, og resultater vil blive rapporteret i aggregeret form for at beskytte patienters privatliv.