Modello predittivo per il dolore e gli esiti funzionali a 1 anno dopo l'intervento chirurgico all'articolazione del pollice in pazienti osteoartritici

Questo studio mira a sviluppare e convalidare modelli predittivi per valutare i risultati del dolore e della funzionalità della mano un anno dopo l'artroplastica dell'articolazione trapeziometacarpale (ATM) utilizzando la protesi Touch®. Lo studio sfrutta un registro prospettico monocentrico di un ospedale ortopedico specializzato di Zurigo, Svizzera.

Metodi analitici:

Utilizzeremo il seguente approccio di modellazione per determinare il miglior valore predittivo per l'esito del dolore a 1 anno. Il modello scelto è:

- Extreme Gradient Boosting (XGBoost): un approccio non parametrico, basato su ensemble che combina alberi decisionali attraverso il boosting per catturare interazioni complesse di funzionalità e modellare la non linearità in modo efficace. XGBoost include anche la regolarizzazione L1 e L2, consentendogli di gestire l'overfitting fornendo allo stesso tempo forti prestazioni predittive. XGBoost è noto per le sue prestazioni superiori nell'acquisire relazioni complesse, fornendo previsioni solide in vari contesti di dati, oltre ad aver ottenuto il primo premio in molti datathon di intelligenza artificiale.

Dati mancanti:

Prevediamo dati mancanti per le variabili riportate dai pazienti, cliniche, radiologiche e supplementari. Per affrontare questo problema, lo faremo

1. Valutare l'entità e i modelli di mancanze per ciascuna variabile utilizzando statistiche descrittive e metodi grafici.
2. Investigare le ragioni dei valori mancanti e le potenziali differenze tra individui con e senza dati incompleti.
3. Gestisci i dati mancanti utilizzando la capacità nativa di XGBoost di gestire direttamente i valori mancanti apprendendo le suddivisioni ottimali per i dati mancanti, eliminando così la necessità di approcci di imputazione esterna per questo modello.

Sviluppo del modello:

Potenziamento gradiente estremo (XGBoost):

• I dati verranno suddivisi in un set di training (70%) e di test (30%). Il modello XGBoost verrà addestrato utilizzando l'ottimizzazione degli iperparametri tramite la ricerca sulla griglia combinata con una validazione incrociata ripetuta di 5 volte (ripetuta 5 volte) sul set di addestramento. Questa ripetuta convalida incrociata funge da convalida interna per garantire una stima solida e imparziale delle prestazioni del modello durante l'addestramento. La ricerca nello spazio della griglia esplorerà un intervallo ragionevole di valori per gli iperparametri chiave, come:

  • Numero di round di potenziamento (nround): (ad esempio, 50, 100, 200)
  • Tasso di apprendimento (eta): (ad esempio, 0,05, 0,1, 0,3)
  • Profondità massima degli alberi (max_ Depth): (ad esempio, 2, 4, 6)
  • Somma minima di istanze in ciascun nodo (min_child_weight): (ad esempio, 1, 2, 4)
• Lo spazio della griglia sarà mantenuto di dimensioni moderate per bilanciare la completezza con la fattibilità computazionale, garantendo un'esplorazione approfondita di importanti iperparametri evitando una ricerca eccessivamente esaustiva.
• Nello sviluppo del nostro modello, mireremo a migliorare le prestazioni e a ridurre l'overfitting utilizzando la selezione delle caratteristiche per affrontare la collinearità. Investigheremo anche un insieme minimo di funzionalità utilizzando i punteggi di importanza delle funzionalità di un modello XGBoost iniziale nonché la conoscenza degli esperti per dare priorità ai predittori clinicamente rilevanti. Infine, esploreremo l'ingegneria delle funzionalità (ad esempio, trasformazioni polinomiali) per migliorare il potere predittivo del nostro modello.

Valutazione del modello:

• Set di test detenuti: dopo la convalida interna e l'ottimizzazione degli iperparametri, il modello finale verrà valutato sul set di test tenuti al 30% per valutarne le prestazioni su dati invisibili, fornendo una stima imparziale di generalizzabilità.

• Metriche delle prestazioni:

  • R² (coefficiente di determinazione): valutare la proporzione della varianza spiegata dal modello.
  • Errore assoluto medio (MAE): quantificare l'entità media degli errori di previsione e valutare l'accuratezza del modello per risultati continui, offrendo un'interpretazione dell'errore adatta al medico.
  • Grafici di calibrazione e convalida: per valutare la concordanza tra i risultati osservati e quelli previsti, valutando in che misura i valori previsti si allineano con i valori reali nella popolazione in studio.
• Curva di apprendimento: le curve di apprendimento verranno utilizzate per valutare le prestazioni del modello in diverse dimensioni del set di addestramento. Tracciando gli errori di addestramento e validazione rispetto al numero di dimensioni del campione di addestramento (sottoinsiemi dell'intero set di dati), possiamo valutare l'adattamento del modello, osservare il comportamento di apprendimento e determinare se le prestazioni del nostro modello trarrebbero vantaggio da dati di addestramento aggiuntivi.
• Incertezza della previsione: utilizzeremo l'aggregazione bootstrap (bagging), seguendo i metodi di Hastie et al., per ottenere intervalli di previsione, che quantificano l'incertezza nelle singole previsioni XGBoost analizzando la varianza degli errori di previsione tra campioni bootstrap. A differenza degli intervalli di confidenza, questi intervalli tengono conto sia dell’errata specificazione del modello che dell’incertezza del risultato.

Uscita del modello:

Utilizzeremo il modello finale per sviluppare un calcolatore di risultati basato sul web per il dolore e la funzionalità 1 anno dopo l'intervento chirurgico. Questo strumento è destinato principalmente all’uso da parte dei medici, con l’obiettivo di facilitare il processo decisionale condiviso con i pazienti. Fornendo visualizzazioni chiare e classificazioni di facile comprensione, il calcolatore aiuterà i medici a spiegare i potenziali risultati ai pazienti e supporterà il coinvolgimento dei pazienti nella pianificazione del trattamento. L'output del modello includerà il punteggio del dolore previsto su una scala di valutazione numerica (NRS) 0-10 o il punteggio della funzione della mano bMHQ, che varia da 0 a 100.

In base al risultato, gli esatti valori previsti verranno evidenziati visivamente di seguito:

• Verde: NRS 0-3, bMHQ 67-100 (indicativo di risultati positivi)
• Arancione: NRS 4-7, bMHQ 34-66 (indicativo di risultati moderati)
• Rosso: NRS 8-10, bMHQ 0-33 (indicativo di risultati scadenti) Questa classificazione mira a fornire una rappresentazione visiva rapida dei risultati previsti, rendendo più semplice per i medici e i pazienti interpretare i risultati e comprendere il livello di rischio o potenziale di recupero atteso. Le soglie di classificazione possono essere soggette a modifiche in base a ulteriore convalida per garantire l'accuratezza e la rilevanza clinica.