Entwicklung maschineller Lernmodelle zur Vorhersage der postoperativen GERD -Symptomauflösung nach laparoskopischem Nissen Fundoplication

Bei Patienten mit gastroösophagealer Refluxkrankheit (GERD), die mit Medikamenten refraktär festiert, oder bei Patienten, von denen erwartet wird, dass sie eine langfristige medizinische Behandlung benötigen, wurde eine Anti-Reflux-Chirurgie (ARS), einschließlich Nissen-Fundoplikationen, durchgeführt. GERD wird üblicherweise als Schädigung der Schleimhaut mit Ösophagus oder einer pathologischen Exposition der Speiseratensäure diagnostiziert. Etwa 35% der Patienten mit gastroösophagealen Refluxsymptomen weisen jedoch keine abnormalen Befunde zur Speiseröhre zur Speiseröhre (EGD) und der pH -Überwachung der Speiseröhre. Inzwischen sind etwa 10% der Patienten mit typischen GERD-Symptomen und 30-50% der Patienten mit atypischen GERD-Symptomen auch nach einer ARS keine Symptomverbesserung aufweisen. Daher wurde die Bedeutung der Vorhersage der Symptomverbesserung nach ARS und der angemessenen Auswahl der chirurgischen Kandidaten zunehmend hervorgehoben.

Obwohl frühere Studien mehrere Prädiktoren vorgeschlagen haben, einschließlich der Länge des unteren Sphinkters der Speiseröhre (LES), des Ruhendrucks des LES und der Bolus-Expositionszeit, um die Auflösung der GERD-Symptome nach ARS vorherzusagen, hat kein Modell die Ergebnisse der EGD, der pH-Überwachung der Ösophagus sowie der Manometrie umfassend integriert.

Die elastische Netto -Regression ist eine Methode für maschinelles Lernen, bei der die regulierte Regressionsanalyse verwendet wird und L1 (LASSO) und L2 (RIDGE) -VERTRALIEN kombiniert. Dieser Ansatz macht das Modell gegenüber Überanpassung relativ robust und eignet sich für Datensätze mit einer kleinen Stichprobengröße, einer großen Anzahl von Variablen und einer schweren Multikollinearität. Die Synthetic Minderity Oversampling Technique (SMOTE) ist eine Methode, die die Interpretierbarkeit der Minderheitenklasse in einem Modell verbessert, indem Minderheitenklassendaten unter Verwendung des K-NN-Algorithmus (K-Nearest Neighbors) übertroffen werden. Daher zielt diese Studie darauf ab, Modelle für maschinelles Lernen zu entwickeln, um die Auflösung der postoperativen gastroösophagealen Reflux -Symptome nach laparoskopischem Nissen -Fundoplikum unter Verwendung elastischer Netto -Regression und SMOTE vorherzusagen.

In dieser Studie werden insgesamt 112 Patienten, die zwischen Februar 2017 bis Februar 2023 LNF unterzogen werden, in dieser Studie einbezogen. Präoperative und postoperative gastroösophageale Symptome, einschließlich Sodbrennen und Regurgitation, wurden unter Verwendung der GERD-Health-bezogenen Lebensqualität (GERD-HRQL) und der koreanischen Version des GERD-Fragebogens bewertet. Die postoperativen Symptome wurden bei 1, 3, 6, 9 und 12 Monaten nach der Operation bewertet. Patienten mit einer Verbesserung der Symptome von mehr als 70% bei der letzten Follow-up werden als Symptomauflösungsgruppe klassifiziert. Insgesamt 21 Modelle werden entwickelt, um die Auflösung von Sodbrennen, Regurgitation oder atypischen Symptomen unter Verwendung der Ergebnisse der Manometrie, der 24-Stunden-pH-Überwachung der Speiseröhre oder beides mit sieben Modellen für jedes Symptom vorherzusagen. Alle Modelle enthalten auch die Ergebnisse von EGD. Die elastische Netto -Regression und die SMOTE -Methode werden angewendet, um die Minderheitenklasse zu übertreffen und das Modell zu entwickeln. Die Modellleistung wird unter Verwendung einer 5-fachen Kreuzvalidierung validiert. Zusätzlich zur Bewertung der Modelldiskriminierung wird eine Kalibrierungsanalyse durchgeführt, um zu bewerten, wie gut die vorhergesagten Wahrscheinlichkeiten mit den beobachteten Ergebnissen übereinstimmen. Die prädiktive Leistung herkömmlicher Prädiktoren und mögliche Prädiktoren, einschließlich der Länge des LES, der Ruhedruck des LES und der Bolus -Expositionszeit, wird mit der Modellleistung des neuen Modells verglichen.