Desarrollo de modelos de aprendizaje automático para predecir la resolución de síntomas de la ERGE postoperatoria después de la fundoplicación laparoscópica de Nissen

En pacientes con enfermedad de reflujo gastroesofágico (ERGE) refractaria a la medicación o los que se espera que requiera tratamiento médico a largo plazo, se haya realizado una cirugía antirreflux (ARS), incluida la fundoplicación de Nissen. La ERGE generalmente se diagnostica como daño a la mucosa esofágica o exposición patológica al ácido esofágico. Sin embargo, aproximadamente el 35% de los pacientes con síntomas de reflujo gastroesofágico no exhiben hallazgos anormales en la monitorización de pH esofagogogastroduodenoscopia (EGD) y del pH esofágico. Mientras tanto, aproximadamente el 10% de los pacientes con síntomas típicos de la ERGE y 30-50% de aquellos con síntomas atípicos de la ERGE no experimentan una mejora de los síntomas incluso después de someterse a ARS. Por lo tanto, se ha enfatizado cada vez más la importancia de predecir la mejora de los síntomas después de ARS y seleccionar adecuadamente a los candidatos quirúrgicos.

Aunque estudios anteriores han sugerido varios predictores que incluyen la longitud del esfínter esofágico inferior (LES), la presión en reposo del LES y la exposición al bolo el tiempo de tiempo de predecir la resolución de síntomas de la GERD después de ARS, ningún modelo integró de manera integral los resultados del EGD, el monitoreo del pH esofageal y la manometría.

La regresión neta elástica es un método de aprendizaje automático que utiliza el análisis de regresión regularizado, que combina sanciones L1 (lasso) y L2 (cresta). Este enfoque hace que el modelo sea relativamente robusto contra el sobreajuste y es adecuado para conjuntos de datos con un pequeño tamaño de muestra, una gran cantidad de variables y multicolinealidad severa. La técnica de sobremuestreo de minorías sintéticas (SMOTE) es un método que mejora la interpretabilidad de la clase minoritaria en un modelo al sobrescararse de los datos de la clase minoritaria utilizando el algoritmo de vecinos K-Nears más (K-NN). Por lo tanto, este estudio tiene como objetivo desarrollar modelos de aprendizaje automático para predecir la resolución de síntomas de reflujo gastroesofágico postoperatorio después de la fundoplicación laparoscópica de Nissen utilizando regresión neta elástica y SMote.

En este estudio se incluirán un total de 112 pacientes que se sometieron a LNF entre febrero de 2017 y febrero de 2023. Los síntomas gastroesofágicos preoperatorios y postoperatorios, incluida la acidez estomacal y la regurgitación, se evaluaron utilizando el cuestionario de calidad de vida de la salud GERD (GERD-HRQL) y la versión coreana del cuestionario GERD. Los síntomas postoperatorios se evaluaron a 1, 3, 6, 9 y 12 meses después de la cirugía. Los pacientes con más de una mejora del 70% en los síntomas en el último seguimiento se clasificarán como el grupo de resolución de síntomas. Se desarrollarán un total de 21 modelos para predecir la resolución de la acidez estomacal, la regurgitación o los síntomas atípicos utilizando los resultados de la manometría, el monitoreo de pH esofágico de 24 horas, o ambos, con siete modelos para cada síntoma. Todos los modelos también incorporarán los resultados de EGD. La regresión neta elástica y el método SMOTE se aplicarán para exponer la clase minoritaria y desarrollar el modelo. El rendimiento del modelo se validará utilizando una validación cruzada 5 veces. Además de evaluar la discriminación del modelo, el análisis de calibración se realizará para evaluar qué tan bien se alinean las probabilidades predichas con los resultados observados. El rendimiento predictivo de los predictores convencionales y los posibles predictores, incluida la longitud de LES, la presión de reposo de los LES y el tiempo de exposición al bolo, se comparará con el rendimiento del modelo del modelo novedoso.