Data-driven Clustering in Hemorrhoid Surgery: Retrospective Monocentric Study for the Identification of Clinical Phenotypes (PROCTO-CLUSTER)

Peräpukamatapaus ilmenee heterogeenisinä oirekuvioina, anatomisina löydöksinä ja leikkaustekniikoina, joita perinteiset asteisiin perustuvat luokitukset eivät täysin kuvasta. Tämä tutkimus pyrkii tunnistamaan piileviä, kliinisesti tulkittavia fenotyyppejä kirurgisten potilaiden joukossa käyttämällä täysin ohjaamatonta koneoppimisputkea, jota sovelletaan suurten potilasmäärien kolmannen asteen keskussairaalasta kerättyihin perioperatiivisiin tietoihin.

Tämä on retrospektiivinen, havainnoiva analyysi anonymisoitujen instituutiotietueiden pohjalta. Analyysiaikasarja sisältää rutiininomaisesti dokumentoituja muuttujia, jotka kattavat lähtötilanteen demografiset/antropometriset tiedot, oireprofiilin ja merkityksellisen kliinisen historian, leikkaustekniikan ja leikkauksen aikaiset kuvaajat sekä rutiininomaisesti kerätyt leikkauksen jälkeiset seurantatiedot. Tiedot poimitaan käyttäen ennalta määriteltyä tietosanakirjaa ja standardoituja esikäsittelysääntöjä tuottavuuden takaamiseksi ja muuttujien määritelmien vaihtelun vähentämiseksi.

Ensisijainen analyysimenetelmä on ohjaamaton klusterointi. Muuttujat puhdistetaan ja standardoidaan ennen mallinnusta. Mittojen vähentämistä suoritetaan käyttäen t-jakauman stokastista naapuruusupotusta (t-SNE), jonka alustus tehdään pääkomponenttianalyysillä parantamaan vakautta. Klusterien löytäminen suoritetaan sitten k-means-klusteroinnilla vähennetyssä ominaisuusavaruudessa. Useita klusteriratkaisuja tutkitaan, ja lopullinen ratkaisu valitaan käyttäen sisäisiä validointimittareita (esim. siluettipohjaisia mittareita) yhdessä kliinisen tulkittavuuden arvioinnin kanssa. Mallin robustisuutta arvioidaan toistamalla ajoja useilla satunnaisilla siemenluvuilla ja keskeisillä parametriasetuksilla klusterien määritysten vakavuuden arvioimiseksi.

Klusterien määrityksen jälkeen klustereita kuvataan käyttäen kuvailevia ja vertailevia tilastollisia menetelmiä tunnistaen muuttujat, jotka eniten erottavat fenotyyppejä. Jälkikäteisiä ominaisuusmerkitys/tärkeyslähestymistapoja käytetään tutkimaan, mitkä demografiset, kliiniset ja kirurgiset tekijät vaikuttavat eniten klusterien muodostumiseen, painottaen vaikutuksen suuruutta ja kliinisesti merkityksellisiä kuviotyyppejä eikä pelkästään hypoteesien testaamista. Löydöksiä käytetään hypoteesien luomiseen fenotyyppeistä, jotka voivat liittyä suurempaan leikkausmonimutkaisuuteen ja erilaisiin leikkauksen jälkeisiin kehityskulkuihin, tukien tulevaa työtä ennustavasta mallinnuksesta ja yksilöllisestä kirurgisesta päätöksenteon tuesta.

Kaikki analyysit suoritetaan kontrolloidussa instituutioympäristössä käyttäen validoituja tilastollisia ja datankaivausohjelmistoja, dokumentoiduin parametriasetuksin ja versioinnin seurannalla mahdollistaen toistettavuuden. Vain anonymisoituja tietoja käytetään analyyseihin, ja tulokset raportoidaan aggregaattimuodossa potilaiden yksityisyyden suojaamiseksi.