Ennustava malli 1 vuoden kivulle ja toimintatuloksille peukalon nivelleikkauksen jälkeen osteoartriittipotilailla

Tämän tutkimuksen tavoitteena on kehittää ja validoida ennustemalleja kivun ja käden toiminnan tulosten arvioimiseksi vuosi Trapeziometacarpal nivelen (TMJ) artroplastian jälkeen Touch®-proteesilla. Tutkimuksessa hyödynnetään yhden keskuksen tulevaa rekisteriä erikoistuneesta ortopedisesta sairaalasta Zürichissä, Sveitsissä.

Analyyttiset menetelmät:

Käytämme seuraavaa mallinnustapaa määrittääksemme parhaan ennustusarvon 1 vuoden kivun tulokselle. Valittu malli on:

- Extreme Gradient Boosting (XGBoost): Ei-parametrinen, kokonaisuuteen perustuva lähestymistapa, joka yhdistää päätöspuut tehostuksen kautta monimutkaisten ominaisuuksien vuorovaikutusten kaappaamiseksi ja epälineaarisuuden mallintamiseksi tehokkaasti. XGBoost sisältää myös L1- ja L2-regulaation, jonka avulla se voi hallita ylisovitusta samalla kun se tarjoaa vahvan ennakoivan suorituskyvyn. XGBoost tunnetaan erinomaisesta suorituskyvystään monimutkaisten suhteiden kaappaamisessa, luotettavien ennusteiden tarjoamisessa erilaisissa datakonteksteissa sekä ykköspalkinnosta monissa tekoälyn datathoneissa.

Puuttuvat tiedot:

Odotamme puuttuvan tiedot potilaiden ilmoittamista, kliinisistä, radiologisista ja täydentävistä muuttujista. Tämän ratkaisemiseksi teemme

1. Arvioi kunkin muuttujan puuttumisen laajuus ja mallit käyttämällä kuvaavia tilastoja ja graafisia menetelmiä.
2. Tutki arvojen puuttumisen syitä ja mahdollisia eroja yksilöiden välillä, joilla on tai ei ole täydellisiä tietoja.
3. Käsittele puuttuvia tietoja käyttämällä XGBoostin alkuperäistä kykyä hallita puuttuvia arvoja suoraan oppimalla optimaaliset jaot puuttuville tiedoille, mikä eliminoi tämän mallin ulkoisten imputointimenetelmien tarpeen.

Mallin kehitys:

Extreme Gradient Boost (XGBoost):

• Tiedot jaetaan koulutus- (70 %) ja testausjoukkoon (30 %). XGBoost-mallia opetetaan käyttämällä hyperparametrien viritystä ruudukkohaun kautta yhdistettynä toistuvaan 5-kertaiseen ristiinvalidointiin (toistetaan 5 kertaa) harjoitussarjassa. Tämä toistuva ristiinvalidointi toimii sisäisenä validointina, joka varmistaa mallin suorituskyvyn vankan ja puolueettoman arvioinnin koulutuksen aikana. Ruudukkotilahaku tutkii kohtuullisen arvoalueen avainhyperparametreille, kuten:

  • Tehostuskierrosten määrä (nrounds): (esim. 50, 100, 200)
  • Oppimisaste (eta): (esim. 0,05, 0,1, 0,3)
  • Puiden enimmäissyvyys (max_depth): (esim. 2, 4, 6)
  • Esiintymien vähimmäissumma kussakin solmussa (min_child_weight): (esim. 1, 2, 4)
• Grid-avaruus pidetään kohtuullisena kattavuuden ja laskennallisen toteutettavuuden tasapainottamiseksi, mikä varmistaa tärkeiden hyperparametrien perusteellisen tutkimisen välttäen samalla liian tyhjentävää hakua.
• Mallia kehitettäessä pyrimme parantamaan suorituskykyä ja vähentämään ylisovitusta käyttämällä ominaisuuksien valintaa kollineaarisuuden korjaamiseksi. Tutkimme myös minimaalista ominaisuusjoukkoa käyttämällä alkuperäisen XGBoost-mallin ominaisuuden tärkeyspisteitä sekä asiantuntijatietoa kliinisesti merkityksellisten ennustajien priorisoimiseksi. Lopuksi tutkimme ominaisuussuunnittelua (esim. polynomimuunnoksia) parantaaksemme mallimme ennustusvoimaa.

Mallin arviointi:

• Kestotestisarja: Sisäisen validoinnin ja hyperparametrien virityksen jälkeen lopullinen malli arvioidaan 30 %:n pidennetyllä testisarjalla sen suorituskyvyn arvioimiseksi näkymättömillä tiedoilla, mikä tarjoaa puolueettoman yleistettävyyden arvion.

• Tehokkuusmittarit:

  • R² (Determinaatiokerroin): Arvioi mallin selittämän varianssiosuuden.
  • Keskimääräinen absoluuttinen virhe (MAE): ennustevirheiden keskimääräisen suuruuden kvantifiointi ja jatkuvien tulosten mallin tarkkuuden arvioiminen, mikä tarjoaa kliinikkoystävällisen tulkinnan virheestä.
  • Kalibrointi- ja validointikaaviot: Arvioida havaittujen ja ennustettujen tulosten välistä yhtäpitävyyttä ja arvioida, kuinka hyvin ennustetut arvot vastaavat tutkimuspopulaation todellisia arvoja.
• Oppimiskäyrä: Oppimiskäyriä käytetään mallin suorituskyvyn arvioimiseen eri koulutussarjoissa. Piirtämällä koulutus- ja validointivirheet koulutusotoskokojen (koko tietojoukon osajoukkojen) määrään nähden voimme arvioida mallin sopivuuden, tarkkailla oppimiskäyttäytymistä ja määrittää, hyötyisivätkö mallimme suorituskyky lisäharjoitteludatasta.
• Ennusteen epävarmuus: Käytämme Hastien et al.:n menetelmiä noudattaen bootstrap-aggregaatiota (bagging) saadaksemme ennustevälit, jotka kvantifioivat yksittäisten XGBoost-ennusteiden epävarmuuden analysoimalla ennustevirheiden varianssia bootstrap-näytteiden välillä. Toisin kuin luottamusvälit, nämä intervallit ottavat huomioon sekä mallin virheellisen määrityksen että tuloksen epävarmuuden.

Mallin lähtö:

Käytämme lopullista mallia kehittääksemme verkkopohjaisen tuloslaskurin kivulle ja toiminnalle vuoden kuluttua leikkauksesta. Tämä työkalu on tarkoitettu ensisijaisesti kliinikoiden käyttöön, ja se pyrkii helpottamaan yhteistä päätöksentekoa potilaiden kanssa. Tarjoamalla selkeitä visualisointeja ja helposti ymmärrettäviä luokituksia, laskin auttaa kliinikoita selittämään potilaille mahdollisia tuloksia ja tukemaan potilaiden osallistumista hoidon suunnitteluun. Mallin tulos sisältää joko ennustetun kipupisteen 0-10 numeerisella arviointiasteikolla (NRS) tai bMHQ-käsitoiminnon pistemäärän, joka vaihtelee välillä 0-100.

Tuloksen perusteella tarkat ennustetut arvot korostetaan visuaalisesti seuraavasti:

• Vihreä: NRS 0-3, bMHQ 67-100 (osoittaa positiivisia tuloksia)
• Oranssi: NRS 4-7, bMHQ 34-66 (osoittaa kohtalaisia ​​tuloksia)
• Punainen: NRS 8-10, bMHQ 0-33 (osoittaa huonoista tuloksista) Tämän luokituksen tarkoituksena on tarjota nopea, visuaalinen esitys ennustetuista tuloksista, mikä helpottaa kliinikon ja potilaiden tulkitsemista ja riskin tai riskin tason ymmärtämistä. odotettu palautumispotentiaali. Luokittelukynnykset voivat muuttua tarkkuuden ja kliinisen merkityksen varmistamiseksi lisävalidoinnin perusteella.