痔核手術におけるデータ駆動型クラスタリング：臨床表現型の同定のための単施設後方視的研究 (PROCTO-CLUSTER)

痔疾患は、従来の段階分類では十分に捉えられていない、不均一な症状パターン、解剖学的所見、手術戦略を示します。 本研究は、大規模三次医療センターで日常的に収集された周術期データに完全非教師あり機械学習パイプラインを適用し、手術患者における潜在的で臨床的に解釈可能な表現型を特定することを目的としています。

これは非識別化された施設記録の遡及的観察分析です。 解析データセットには、ベースラインの人口統計・人体測定、症状プロファイルと関連臨床歴、手術技術と術中記述、日常的に収集された術後フォローアップ情報にわたる、日常的に記録された変数が含まれます。 データは、再現性をサポートし変数定義の変動を減らすため、事前定義されたデータ辞書と標準化された前処理ルールを使用して抽出されます。

主要な解析手法は非教師ありクラスタリングです。 変数はモデリング前にクリーニングと標準化が行われます。 次元削減は、安定性を向上させるために主成分分析で初期化されたt分布型確率的近傍埋め込み（t-SNE）を使用して実行されます。 その後、縮小された特徴空間でk-meansクラスタリングを使用してクラスター発見が行われます。 複数のクラスター解が検討され、最終解は内部妥当性指標（例：シルエットベースの尺度）と臨床的解釈可能性の評価を併せて選択されます。 モデルの堅牢性は、複数のランダムシードと主要パラメータ設定にわたる繰り返し実行を通じて評価され、クラスター割り当ての安定性が評価されます。

クラスター割り当て後、記述統計と比較統計を使用してクラスターが特徴付けられ、表現型を最も区別する変数が特定されます。 事後の特徴関連性・重要性アプローチを使用して、人口統計的、臨床的、手術的要因のうち、クラスター形成に最も強く寄与する要因を探求し、仮説検定だけではなく効果サイズと臨床的に意味のあるパターンに重点を置きます。 知見は、より複雑な手術や異なる術後経過に関連する可能性のある表現型に関する仮説を生成するために使用され、予測モデリングと個別化された手術意思決定支援に関する将来の研究をサポートします。

すべての分析は、検証済みの統計・データマイニングソフトウェアを使用し、文書化されたパラメータ設定とバージョン追跡により再現性を確保して、管理された施設環境内で実施されます。 非識別化データのみが分析に使用され、患者のプライバシーを保護するため結果は集計で報告されます。