Sviluppo di modelli di apprendimento automatico per prevedere la risoluzione dei sintomi della GERD postoperatoria dopo la laparoscopica Nissen Fundoplication

Nei pazienti con malattia da reflusso gastroesofageo (GERD) refrattario ai farmaci o quelli che dovrebbero richiedere un trattamento medico a lungo termine, è stata eseguita una chirurgia anti-reflux (ARS), inclusa Nissen Fundoplication. La GERD viene generalmente diagnosticata come danno mucoso esofageo o esposizione all'acido esofageo patologico. Tuttavia, circa il 35% dei pazienti con sintomi di reflusso gastroesofageo non presenta risultati anormali sull'esofagogastroduodenoscopia (EGD) e sul monitoraggio del pH esofageo. Nel frattempo, circa il 10% dei pazienti con sintomi GERD tipici e il 30-50% di quelli con sintomi di GERD atipici non si verificano un miglioramento dei sintomi anche dopo aver subito AR. Pertanto, l'importanza di prevedere il miglioramento dei sintomi dopo ARS e selezionare adeguatamente i candidati chirurgici è stata sempre più enfatizzata.

Sebbene studi precedenti abbiano suggerito diversi predittori, tra cui la lunghezza dello sfintere esofageo inferiore (LES), la pressione di riposo del LES e il tempo di esposizione al bolo prevedono la risoluzione dei sintomi GERD dopo ARS, nessun modello ha integrato in modo completo i risultati di EGD, monitoraggio del pH esofageo e manometria.

La regressione netta elastica è un metodo di apprendimento automatico che utilizza un'analisi di regressione regolarizzata, combinando le penalità L1 (LASSO) e L2 (Ridge). Questo approccio rende il modello relativamente robusto contro il eccesso di massimo ed è adatto a set di dati con dimensioni ridotte del campione, un gran numero di variabili e una grave multicollinearità. La tecnica di sovra-campionamento delle minoranze sintetiche (SMOTE) è un metodo che migliora l'interpretazione della classe di minoranza in un modello sovra eccesso i dati della classe di minoranza utilizzando l'algoritmo K-NEAREST Neighbors (K-NN). Pertanto, questo studio mira a sviluppare modelli di apprendimento automatico per prevedere la risoluzione dei sintomi del reflusso gastroesofageo postoperatorio dopo la fondoplicazione laparoscopica di nissen mediante regressione netta elastica e smote.

In questo studio saranno inclusi un totale di 112 pazienti sottoposti a LNF tra febbraio 2017 e febbraio 2023. I sintomi gastroesofagei preoperatori e postoperatori, tra cui il bruciore di stomaco e il rigurgito, sono stati valutati utilizzando il questionario sulla qualità della vita (GERD-HRQL) correlato alla salute GERD e la versione coreana del questionario GERD. I sintomi postoperatori sono stati valutati a 1, 3, 6, 9 e 12 mesi dopo l'intervento chirurgico. I pazienti con un miglioramento del 70% dei sintomi all'ultimo follow-up saranno classificati come gruppo di risoluzione dei sintomi. Saranno sviluppati un totale di 21 modelli per prevedere la risoluzione di bruciori di stomaco, rigurgito o sintomi atipici usando i risultati della manometria, del monitoraggio del pH esofageo 24 ore su 24, o di entrambi, con sette modelli per ciascun sintomo. Tutti i modelli incorporeranno anche i risultati di EGD. La regressione netta elastica e il metodo SMOTE saranno applicati per sovrascrivere la classe di minoranza e sviluppare il modello. Le prestazioni del modello verranno validate utilizzando una convalida incrociata a 5 volte. Oltre a valutare la discriminazione del modello, l'analisi di calibrazione verrà eseguita per valutare quanto bene le probabilità previste si allineino con i risultati osservati. Le prestazioni predittive dei predittori convenzionali e dei possibili predittori, tra cui la lunghezza del LES, la pressione di riposo del LES e il tempo di esposizione al bolo, saranno confrontate con le prestazioni del modello del nuovo modello.