Schwierige Koloskopie und Persönlichkeitsmerkmale

Die Blinddarmintubationszeit (CIT) bezieht sich auf die Zeit, die die Spitze des Koloskops benötigt, um vom Durchgang durch den Anus den Blinddarm zu erreichen. Eine verlängerte CIT gilt als Zeichen für Schwierigkeiten bei der Koloskopie. Eine CIT von mehr als 10 Minuten gilt als schwierige Koloskopie. Eine längere CIT ist mit einer geringeren Adenomerkennungsrate verbunden, da sie ein Indikator für eine ineffektive Koloskopie ist, während eine kürzere CIT dem Endoskopiker mehr Zeit für die Entnahme des Koloskops gibt und die Wahrscheinlichkeit der Adenomerkennung erhöht.

Die Forschung hat Faktoren identifiziert, die die CIT beeinflussen, darunter Alter, Geschlecht, Body-Mass-Index (BMI), Taillenumfang, Darmvorbereitung und Vorgeschichte einer Bauchoperation.

Es wurde festgestellt, dass Persönlichkeitsmerkmale mit dem Auftreten vieler Krankheiten wie Bluthochdruck und A-Typ-Persönlichkeit, Depression und neurotischer Persönlichkeit verbunden sind. Nach der Big-Five-Persönlichkeitstheorie kann die Persönlichkeit in fünf Dimensionen zerlegt werden: Offenheit (O), Gewissenhaftigkeit (C), Extraversion (E), Verträglichkeit (A) und Neurotizismus (N). Die Big-Five-Persönlichkeitstheorie ist eine in der wissenschaftlichen Forschung häufig verwendete Persönlichkeitstypologie und wurde in zahlreichen Studien bestätigt. Das Big Five Personality Inventory (BFI) ist ein Instrument zur Erkennung der Klassifizierung der Big Five-Persönlichkeitsmerkmale. Die chinesische Version des Big-Five-Persönlichkeitsinventars und der Normen wurden gemeinsam von Professor Li Jian vom Institut für Psychologie der Beijing Normal University überarbeitet und die Skalennormen wurden so konstruiert, dass sie Menschen unterschiedlicher Altersgruppen einbeziehen. Die Skala hat eine hervorragende Zuverlässigkeit und Validität gezeigt.

Die Entdeckung der Gehirn-Darm-Achse legt nahe, dass neuronale Aktivität die Darmaktivität auf verschiedene Weise direkt oder indirekt beeinflussen und dadurch die Schwierigkeit einer Koloskopie beeinflussen kann, es mangelt jedoch immer noch an Forschung zum Zusammenhang zwischen Persönlichkeitstypen und schwieriger Koloskopie Der konkrete Zusammenhang ist nicht geklärt. Wichtiger ist, dass frühere Studien häufig die gewöhnliche Regression der kleinsten Quadrate (OLS-Regression) oder die logistische Regression verwendeten. Der Zweck dieser Studie besteht darin, zu untersuchen, ob Persönlichkeit, BMI, Alter, Geschlecht, Angst- und Depressionsindex, Stoffwechselerkrankungen und Bauch- und Baucherkrankungen in der Vorgeschichte Beckenoperationen sind mit einer verlängerten Koloskopie-Einführungszeit und einer schwierigen Koloskopie verbunden, und es geht darum, ein klinisches Diagnosemodell mithilfe von Methoden des maschinellen Lernens zu erstellen, um die Koloskopie-Einführungszeit vorherzusagen und schwierige Koloskopiepatienten anhand signifikanter Variablen zu identifizieren.

Der grundlegende Forschungsrahmen ist wie folgt gestaltet:

Bitten Sie Patienten, bei denen eine Koloskopie geplant ist, vor der Koloskopie den Fragebogen „Persönlichkeitstendenz und Koloskopie-Umfrage“ auszufüllen.

Protokollieren Sie den Abschluss der Koloskopie und CIT für Patienten während der Koloskopie und dokumentieren Sie die Vorbereitung des Dickdarms und das Vorliegen schwerwiegender organischer Erkrankungen.

Sammeln Sie weitere Patienteninformationen, einschließlich Alter, Geschlecht und Vorgeschichte schwerer Krankheiten.

Alle in die Studie einbezogenen Patienten sollten die Einschlusskriterien erfüllen und nicht die Ausschlusskriterien.

Organisieren Sie die Daten und teilen Sie die Patienten in zwei Gruppen ein, je nachdem, ob ihre CIT-Zeit mehr als 10 Minuten beträgt.

Verwenden Sie T-Tests und Chi-Quadrat-Analyse, um zu bestimmen, ob jeder Faktor mit einer schwierigen Koloskopie zusammenhängt, mit einem Signifikanzschwellenwert von P<0,05.

Beziehen Sie signifikante Variablen in die logistische Regression für die erste Analyse ein und berechnen Sie OR.

Verwenden Sie die LASSO-Regression für eine spärliche Auswahl und beziehen Sie Nicht-Null-Funktionen in die Modellkonstruktion für maschinelles Lernen ein.

Teilen Sie die Daten in Trainingssätze und Testsätze auf und erstellen Sie Zufallswaldmodelle, künstliche neuronale Netzwerkmodelle und Support-Vektor-Maschinenmodelle usw. Anhand der Receiver Operating Curve (ROC), Präzision, Genauigkeit, Rückrufrate usw. kann der Fehler des Modells bewertet und die Generalisierungsfähigkeit des Modells verglichen werden.