術後のGERD症状の解決を予測するための機械学習モデルの開発腹腔鏡ニッセン基金術後

胃食道逆流症（GERD）の患者では、薬物療法または長期治療が必要であると予想される患者では、ニッセン基金術を含む抗再流手術（ARS）が実施されています。 GERDは通常、食道粘膜損傷または病理学的食道酸曝露と診断されます。 ただし、胃食道逆流症状の患者の約35％は、食道脱gaStroduodenoscopy（EGD）および食道pHモニタリングに関する異常な所見を示しません。 一方、典型的なGERD症状のある患者の約10％、および非定型GERD症状のある患者の30〜50％は、ARSを受けた後でも症状の改善を経験しません。 したがって、ARS後の症状の改善を予測し、外科的候補者を適切に選択することの重要性がますます強調されています。

以前の研究では、より低い食道括約筋（LES）の長さ、LESの休息圧、およびボーラス曝露の時間を含むいくつかの予測因子がARS後のGERD症状の分解能を予測する時間を含むいくつかの予測因子を示唆していますが、モデルはEGD、食道PHモニタリング、および有機測定の結果を包括的に統合しませんでした。

弾性ネット回帰は、L1（Lasso）とL2（Ridge）のペナルティを組み合わせて、正規化された回帰分析を利用する機械学習方法です。 このアプローチにより、モデルは過剰適合に対して比較的堅牢になり、サンプルサイズが小さく、多数の変数、重度の多重共線性を持つデータセットに適しています。 合成マイノリティオーバーサンプリング手法（SMOTE）は、K-Nearest Neighbors（K-NN）アルゴリズムを使用してマイノリティクラスデータをオーバーサンプリングすることにより、モデル内の少数派クラスの解釈可能性を高める方法です。 したがって、この研究の目的は、弾性ネット回帰とスモートを使用して腹腔鏡ニッセン耐節後の術後胃食道逆流症状の解決を予測するための機械学習モデルを開発することを目的としています。

2017年2月から2023年2月の間にLNFを受けた合計112人の患者がこの研究に含まれます。 胸焼けや逆流を含む術前および術後の胃食道症状は、GERD健康関連の生活の質（GERD-HRQL）アンケートとGERDアンケートの韓国版を使用して評価されました。 術後の症状は、手術後1、3、6、9、および12ヶ月で評価されました。 前回の追跡時に症状が70％以上改善された患者は、症状解決群に分類されます。 マノメトリー、24時間の食道pHモニタリング、またはその両方の結果を使用して、各症状の7つのモデルを使用して、胸焼け、逆流、または非定型症状の解決を予測するために、合計21のモデルが開発されます。 すべてのモデルには、EGDの結果も組み込まれます。 弾性ネット回帰とSmoteメソッドは、少数派クラスをオーバーサンプリングし、モデルを開発するために適用されます。 モデルのパフォーマンスは、5倍の交差検証を使用して検証されます。 モデルの識別の評価に加えて、予測された確率が観測された結果とどれだけ整合するかを評価するために、キャリブレーション分析が実行されます。 LESの長さ、LESの安静時の圧力、およびボーラス暴露時間を含む、従来の予測因子と考えられる予測因子の予測パフォーマンスは、新しいモデルのモデルパフォーマンスと比較されます。