Koneoppimismallien kehittäminen postoperatiivisen GERD -oireiden resoluution ennustamiseksi laparoskooppisen Nissen -rahastojen jälkeen

Potilailla, joilla on gastroesofageaalinen refluksitauti (GERD) tulenkestävä lääkitykselle tai potilaat, joiden odotetaan vaativan pitkäaikaista lääketieteellistä hoitoa, on suoritettu jatko-refluksi-leikkaus (ARS), mukaan lukien Nissenin rahoituspolitiikka. GERD diagnosoidaan yleensä ruokatorven limakalvovaurioksi tai patologiseksi ruokatorven happoaltistukseksi. Noin 35%: lla gastroesofageaalisten refluksi -oireiden potilaista ei kuitenkaan ole epänormaaleja havaintoja esophagogastroduodenoskopiasta (EGD) ja ruokatorven pH -seurannasta. Samaan aikaan noin 10% potilaista, joilla on tyypillisiä GERD-oireita ja 30-50%: lla epätyypillisistä GERD-oireista, ei ole oireiden parantamista edes ARS: n jälkeen. Siksi oireiden parantamisen merkitystä ARS: n jälkeen ja kirurgisten ehdokkaiden asianmukainen valinta on korostettu yhä enemmän.

Vaikka aiemmat tutkimukset ovat ehdottaneet useita ennustajia-mukaan lukien alemman ruokatorven sulkijalihaksen (LES) pituus, LES: n lepopaine ja boluksen altistumisaika GERD-oireiden resoluution ennustamiseen ARS: n jälkeen, mikään malli ei integroinut kattavasti EGD: n, ruokatorven pH-seurannan ja manometrian tuloksia.

Joustava nettoregressio on koneoppimismenetelmä, jossa hyödynnetään säännöllistä regressioanalyysiä, jossa yhdistyvät L1 (LASSO) ja L2 (RIDGE) -rangaistukset. Tämä lähestymistapa tekee mallista suhteellisen vankan ylikuormituksen suhteen ja sopii tietojoukkoihin, joilla on pieni näytteen koko, suuri määrä muuttujia ja vaikea monikollineaarisuus. Synteettinen vähemmistöjen ylimääräisen näytteenottotekniikka (SMOTE) on menetelmä, joka parantaa vähemmistöluokan tulkittavuutta mallissa ylimääräisen näytteenotto-luokan tietoa käyttämällä K-verkko-naapureita (K-NN) -algoritmia. Siksi tämän tutkimuksen tavoitteena on kehittää koneoppimismalleja ennustamaan postoperatiivisen gastroesofageaalisen refluksin oireiden resoluutiota laparoskooppisen Nissen -rahastojen jälkeen elastisen nettoregression ja Smoten avulla.

Tähän tutkimukseen sisällytetään yhteensä 112 potilasta, joille tehtiin LNF helmikuussa 2017 - helmikuussa 2023. Preoperatiiviset ja postoperatiiviset gastroesofageaaliset oireet, mukaan lukien närästys ja regurgitaatio, arvioitiin käyttämällä GERD-terveyteen liittyvää elämänlaatua (GERD-HRQL) kyselylomaketta ja GERD-kyselylomakkeen korealaista versiota. Leikkauksen jälkeiset oireet arvioitiin 1, 3, 6, 9 ja 12 kuukauden kuluttua leikkauksesta. Potilaat, joiden oireiden parannus on yli 70% viimeisessä seurannassa, luokitellaan oireiden resoluutioryhmäksi. Kehitetään yhteensä 21 mallia närästys-, regurgitaation tai epätyypillisten oireiden ratkaisemisen ennustamiseksi manometrian, 24 tunnin ruokatorven pH: n seurannan tai molemman tuloksen avulla seitsemän mallia jokaiselle oireelle. Kaikki mallit sisältävät myös EGD: n tulokset. Vähemmistöluokan ylikuormittamiseen ja mallin kehittämiseen sovelletaan elastista nettoregressiota ja SMote -menetelmää. Mallin suorituskyky validoidaan käyttämällä 5-kertaista ristivalidointia. Mallisyrjinnän arvioinnin lisäksi suoritetaan kalibrointianalyysi arvioimaan, kuinka hyvin ennustetut todennäköisyydet ovat yhdenmukaisia ​​havaittujen tulosten kanssa. Tavanomaisten ennustajien ja mahdollisten ennustajien ennustavaa suorituskykyä, mukaan lukien LES: n pituus, LES: n lepopaine ja bolus -altistusaika, verrataan uuden mallin mallin suorituskykyyn.