Regroupement basé sur les données en chirurgie des hémorroïdes : étude monocentrique rétrospective pour l'identification des phénotypes cliniques (PROCTO-CLUSTER)

La maladie hémorroïdaire se présente avec des schémas de symptômes hétérogènes, des observations anatomiques et des stratégies opératoires qui ne sont pas entièrement capturés par les classifications traditionnelles basées sur les degrés. Cette étude vise à identifier des phénotypes latents et cliniquement interprétables parmi les patients chirurgicaux en utilisant un pipeline d'apprentissage automatique entièrement non supervisé appliqué aux données périopératoires collectées de routine dans un centre de référence tertiaire à haut volume.

Il s'agit d'une analyse observationnelle rétrospective de dossiers institutionnels anonymisés. L'ensemble de données analytique inclura des variables documentées de routine couvrant les données démographiques/anthropométriques de base, le profil symptomatique et les antécédents cliniques pertinents, la technique opératoire et les descripteurs peropératoires, ainsi que les informations de suivi postopératoire collectées de routine.

L'approche analytique principale sera le regroupement non supervisé. Les variables seront nettoyées et standardisées avant la modélisation. Une réduction de dimensionnalité sera effectuée en utilisant l'incorporation stochastique de voisins à distribution t (t-SNE), initialisée avec une analyse en composantes principales pour améliorer la stabilité. La découverte de clusters sera ensuite réalisée en utilisant le regroupement k-moyennes sur l'espace de caractéristiques réduit. Une gamme de solutions de clusters sera explorée, et la solution finale sera sélectionnée en utilisant des métriques de validité interne (par exemple, des mesures basées sur le coefficient de silhouette) ainsi qu'une évaluation de l'interprétabilité clinique. La robustesse du modèle sera évaluée par des exécutions répétées sur plusieurs initialisations aléatoires et paramètres clés pour évaluer la stabilité des affectations de clusters.

Après l'affectation des clusters, ceux-ci seront caractérisés en utilisant des statistiques descriptives et comparatives pour identifier les variables qui différencient le plus les phénotypes. Des approches post-hoc de pertinence/importance des caractéristiques seront utilisées pour explorer quels facteurs démographiques, cliniques et chirurgicaux contribuent le plus fortement à la formation des clusters, en mettant l'accent sur les tailles d'effet et les schémas cliniquement significatifs plutôt que sur les tests d'hypothèses seuls. Les résultats seront utilisés pour générer des hypothèses concernant les phénotypes qui pourraient être associés à une complexité opératoire plus grande et à différentes trajectoires postopératoires, soutenant les travaux futurs sur la modélisation prédictive et l'aide à la décision chirurgicale individualisée.

Toutes les analyses seront réalisées dans un environnement institutionnel contrôlé en utilisant des logiciels validés de statistique et de fouille de données, avec des paramètres documentés et un suivi de version pour permettre la reproductibilité. Seules des données anonymisées seront utilisées pour l'analyse, et les résultats seront rapportés de manière agrégée pour protéger la confidentialité des patients.