変形性関節症患者における親指関節手術後の 1 年間の痛みと機能転帰の予測モデル

この研究は、Touch® プロテーゼを使用した僧帽筋中手関節 (TMJ) 関節形成術の 1 年後の痛みと手の機能の結果を評価するための予測モデルを開発し、検証することを目的としています。 この研究は、スイスのチューリッヒにある専門整形外科病院の単一施設の将来登録を活用しています。

分析方法:

次のモデリング アプローチを使用して、痛みの 1 年間の結果の最良の予測値を決定します。 選択したモデルは次のとおりです。

- Extreme Gradient Boosting (XGBoost): ブースティングを通じてデシジョン ツリーを組み合わせ、複雑な特徴の相互作用を捕捉し、非線形性を効果的にモデル化するノンパラメトリックなアンサンブル ベースのアプローチ。 XGBoost には L1 および L2 の正則化も含まれており、強力な予測パフォーマンスを提供しながら過学習を管理できます。 XGBoost は、複雑な関係を捉える優れたパフォーマンスで知られており、さまざまなデータ コンテキストにわたって堅牢な予測を提供し、多くの AI データソンで優勝を獲得しています。

データが欠落しています:

患者から報告された変数、臨床変数、放射線学的変数、および補足変数のデータが欠落していることが予想されます。 これに対処するために、

1. 記述統計とグラフ手法を使用して、各変数の欠損の程度とパターンを評価します。
2. 欠損値の理由と、不完全なデータがある場合とない場合の個人間の潜在的な違いを調査します。
3. XGBoost のネイティブ機能を使用して欠損データを処理し、欠損データの最適な分割を学習することで欠損値を直接管理します。これにより、このモデルに対する外部代入アプローチの必要がなくなります。

モデル開発:

極端な勾配ブースティング (XGBoost):

• データはトレーニング (70%) セットとテスト (30%) セットに分割されます。 XGBoost モデルは、トレーニング セット上で繰り返される 5 分割相互検証 (5 回繰り返し) と組み合わせたグリッド検索によるハイパーパラメーター調整を使用してトレーニングされます。 この繰り返される相互検証は、トレーニング中のモデルのパフォーマンスの堅牢かつ不偏な推定を保証するための内部検証として機能します。 グリッド空間検索では、次のような主要なハイパーパラメータの値の妥当な範囲が調査されます。

  • ブースティングラウンド数 (nrounds): (例: 50、100、200)
  • 学習率 (η): (例: 0,05、0.1、0.3)
  • ツリーの最大深さ (max_ Depth): (例: 2、4、6)
  • 各ノードのインスタンスの最小合計 (min_child_weight): (例: 1、2、4)
• グリッド空間は、包括性と計算実行可能性のバランスをとるために適度なサイズに保たれ、過度に網羅的な検索を避けながら、重要なハイパーパラメータの徹底的な探索を保証します。
• モデルの開発では、共線性に対処するために特徴選択を採用することで、パフォーマンスを向上させ、過剰適合を減らすことを目指します。 また、初期の XGBoost モデルからの特徴重要度スコアと、臨床的に関連する予測因子に優先順位を付けるための専門知識を使用して、最小限の特徴セットを調査します。 最後に、モデルの予測能力を強化するために、特徴量エンジニアリング (多項式変換など) を検討します。

モデルの評価:

• ホールドアウト テスト セット: 内部検証とハイパーパラメーター調整の後、最終モデルは 30% ホールドアウト テスト セットで評価され、目に見えないデータでのパフォーマンスが評価され、一般化可能性の不偏推定値が提供されます。

• パフォーマンス指標:

  • R² (決定係数): モデルによって説明される分散の割合を評価します。
  • 平均絶対誤差 (MAE): 予測誤差の平均の大きさを定量化し、連続結果のモデルの精度を評価し、臨床医にわかりやすい誤差の解釈を提供します。
  • キャリブレーションおよび検証プロット: 観察された結果と予測された結果の間の一致を評価し、予測値が研究母集団の真の値とどの程度一致しているかを評価します。
• 学習曲線: 学習曲線は、さまざまなトレーニング セット サイズにわたるモデルのパフォーマンスを評価するために使用されます。 トレーニング サンプル サイズ (データセット全体のサブセット) の数に対してトレーニングおよび検証エラーをプロットすることで、モデルの適合性を評価し、学習動作を観察し、追加のトレーニング データによってモデルのパフォーマンスにメリットがあるかどうかを判断できます。
• 予測の不確実性: Hastie らの方法に従ってブートストラップ集計 (バギング) を使用して予測間隔を取得します。これにより、ブートストラップ サンプル間の予測誤差の分散を分析することで、個々の XGBoost 予測の不確実性が定量化されます。 信頼区間とは異なり、これらの区間はモデルの仕様の誤りと結果の不確実性の両方を考慮します。

モデルの出力:

私たちは最終モデルを使用して、手術後 1 年の痛みと機能に関する Web ベースの結果計算ツールを開発します。 このツールは主に臨床医による使用を目的としており、患者との共有意思決定を促進することを目的としています。 この計算機は明確な視覚化と理解しやすい分類を提供することで、臨床医が潜在的な結果を患者に説明し、治療計画への患者の関与をサポートするのに役立ちます。 モデルの出力には、0 ～ 10 の数値評価スケール (NRS) で予測される疼痛スコア、または 0 ～ 100 の範囲の bMHQ 手の機能スコアのいずれかが含まれます。

結果に基づいて、正確な予測値が次のように視覚的に強調表示されます。

• 緑: NRS 0-3、bMHQ 67-100 (肯定的な結果を示す)
• オレンジ: NRS 4-7、bMHQ 34-66 (中等度の転帰を示す)
• 赤: NRS 8 ～ 10、bMHQ 0 ～ 33 (不良転帰を示す) この分類は、予測された転帰を迅速に視覚的に表現し、臨床医や患者が結果を解釈し、リスクやリスクのレベルを理解しやすくすることを目的としています。期待される回復の可能性。 分類閾値は、精度と臨床的関連性を確保するためのさらなる検証に基づいて変更される可能性があります。