Udvikling af maskinlæringsmodeller til at forudsige postoperativ GERD -symptomopløsning efter laparoskopisk Nissen -fundoplicering

Hos patienter med gastroøsofageal reflukssygdom (GERD) ildfast mod medicin eller dem, der forventes at kræve langvarig medicinsk behandling, er anti-reflux-kirurgi (ARS), inklusive Nissen Fundoplication, blevet udført. GERD diagnosticeres normalt som esophageal slimhindeskade eller patologisk esophageal syreeksponering. Cirka 35% af patienter med gastroøsofageale reflux -symptomer udviser imidlertid ikke unormale fund på esophagogastroduodenoscopy (EGD) og esophageal pH -overvågning. I mellemtiden oplever ca. 10% af patienterne med typiske GERD-symptomer og 30-50% af dem med atypiske GERD-symptomer ikke symptomforbedring, selv efter at have gennemgået AR'er. Derfor er vigtigheden af ​​at forudsige symptomforbedring efter AR'er og passende valg af kirurgiske kandidater i stigende grad blevet understreget.

Selvom tidligere undersøgelser har antydet adskillige prediktorer-inklusive længden af ​​den nedre esophageal sfinkter (LES), hvilende tryk på LES og bolus eksponeringstid-til at forudsige GERD-symptomopløsning efter ARS, integrerede ingen model omfattende resultaterne af EGD, esophageal pH-overvågning og manometri.

Elastisk netregression er en maskinlæringsmetode, der anvender regulariseret regressionsanalyse, der kombinerer L1 (LASSO) og L2 (RIDGE) sanktioner. Denne fremgangsmåde gør modellen relativt robust mod overfitting og er velegnet til datasæt med en lille prøvestørrelse, et stort antal variabler og alvorlig multikollinearitet. Syntetisk mindretal oversampling-teknik (SMOTE) er en metode, der forbedrer fortolkbarheden af ​​mindretalsklassen i en model ved at oversample minoritetsklasse data ved hjælp af de K-nærmeste naboer (K-NN) algoritme. Derfor sigter denne undersøgelse at udvikle maskinlæringsmodeller til at forudsige postoperativ gastroøsofageal reflukssymptomopløsning efter laparoskopisk Nissen -fundoplication ved anvendelse af elastisk netregression og slå.

I alt 112 patienter, der gennemgik LNF mellem februar 2017 til februar 2023, vil blive inkluderet i denne undersøgelse. Preoperative og postoperative gastroøsofageale symptomer, inklusive halsbrand og regurgitation, blev evalueret ved hjælp af GERD-sundhedsrelateret livskvalitet (GERD-HRQL) spørgeskema og den koreanske version af GERD-spørgeskemaet. Postoperative symptomer blev vurderet ved 1, 3, 6, 9 og 12 måneder efter operationen. Patienter med mere end 70% forbedring af symptomer ved den sidste opfølgning klassificeres som symptomopløsningsgruppen. I alt 21 modeller vil blive udviklet til at forudsige opløsningen af ​​halsbrand, regurgitation eller atypiske symptomer ved hjælp af resultaterne af manometri, 24-timers esophageal pH-overvågning eller begge dele, med syv modeller for hvert symptom. Alle modeller vil også inkorporere resultaterne af EGD. Elastisk netregression og STROTE -metoden vil blive anvendt til at overse minoritetsklassen og udvikle modellen. Modelydelse valideres ved hjælp af 5 gange krydsvalidering. Ud over at vurdere modeldiskriminering udføres kalibreringsanalyse for at evaluere, hvor godt de forudsagte sandsynligheder er i overensstemmelse med observerede resultater. Den forudsigelige præstation af konventionelle prediktorer og mulige prediktorer, herunder LES -længden, hvilepresset af LES og boluseksponeringstid, vil blive sammenlignet med modelens ydeevne for den nye model.