Développement de modèles d'apprentissage automatique pour prédire la résolution postopératoire des symptômes du RGO après la fundoplication laparoscopique Nissen

Chez les patients atteints de reflux gastro-œsophagien (RGO) réfractaire aux médicaments ou ceux qui devraient nécessiter un traitement médical à long terme, la chirurgie anti-reflux (ARS), y compris la fundoplication Nissen, a été effectuée. Le RGO est généralement diagnostiqué comme des lésions muqueuses œsophagiennes ou une exposition pathologique à l'acide œsophagien. Cependant, environ 35% des patients présentant des symptômes de reflux gastro-œsophagien ne présentent pas de résultats anormaux sur l'œsophagogastroduodénoscopie (EGD) et la surveillance du pH œsophagien. Pendant ce temps, environ 10% des patients présentant des symptômes de RGO typiques et 30 à 50% de ceux qui présentaient des symptômes de RGO atypiques ne présentent pas d'amélioration des symptômes même après avoir subi des AR. Par conséquent, l'importance de prédire l'amélioration des symptômes après ARS et de sélection de manière appropriée les candidats chirurgicaux a été de plus en plus souligné.

Bien que des études antérieures aient suggéré plusieurs prédicteurs, notamment la longueur du sphincter œsophagien inférieur (LES), la pression de repos de l'EPR et le temps d'exposition au bolus pour prédire la résolution des symptômes RGO après ARS, aucun modèle n'a intégré les résultats de la DGE, la surveillance du pH esophageal et la manométrie.

La régression nette élastique est une méthode d'apprentissage automatique qui utilise une analyse de régression régularisée, combinant les pénalités L1 (Lasso) et L2 (crête). Cette approche rend le modèle relativement robuste contre le sur-ajustement et convient aux ensembles de données avec un petit échantillon, un grand nombre de variables et une multicolinéarité sévère. La technique de suréchantillonnage des minorités synthétiques (SMOte) est une méthode qui améliore l'interprétabilité de la classe minoritaire dans un modèle en suréchantillonnage des données de classe minoritaire à l'aide de l'algorithme K-Dearest Neighbors (K-NN). Par conséquent, cette étude vise à développer des modèles d'apprentissage automatique à prédire la résolution des symptômes du reflux gastro-œsophagien postopératoire après une fundoplication laparoscopique Nissen en utilisant la régression nette élastique et SUM.

Au total, 112 patients qui ont subi un LNF entre février 2017 à février 2023 seront inclus dans cette étude. Les symptômes gastro-œsophagiens préopératoires et postopératoires, y compris les brûlures d'estomac et la régurgitation, ont été évalués à l'aide du questionnaire de la qualité de vie lié à la santé du GERD (GERD-HRQL) et de la version coréenne du questionnaire GERD. Les symptômes postopératoires ont été évalués à 1, 3, 6, 9 et 12 mois après la chirurgie. Les patients présentant plus d'une amélioration de 70% des symptômes au dernier suivi seront classés comme groupe de résolution des symptômes. Un total de 21 modèles seront développés pour prédire la résolution des brûlures d'estomac, de la régurgitation ou des symptômes atypiques en utilisant les résultats de la manométrie, une surveillance du pH œsophagien 24 heures sur 24, ou les deux, avec sept modèles pour chaque symptôme. Tous les modèles incorporeront également les résultats de l'EGD. La régression nette élastique et la méthode SMOTE seront appliquées pour suréchantillonner la classe minoritaire et développer le modèle. Les performances du modèle seront validées en utilisant une validation croisée de 5 fois. En plus d'évaluer la discrimination du modèle, une analyse d'étalonnage sera effectuée pour évaluer la façon dont les probabilités prévues s'alignent sur les résultats observés. Les performances prédictives des prédicteurs conventionnels et des prédicteurs possibles, y compris la longueur de l'EL, la pression de repos du LES et le temps d'exposition au bolus, seront comparés aux performances du modèle du nouveau modèle.