치질 수술에서 데이터 기반 군집화: 임상 표현형 식별을 위한 후향적 단일기관 연구 (PROCTO-CLUSTER)

치질 질환은 전통적인 등급 기반 분류법으로 완전히 포착되지 않는 이질적인 증상 패턴, 해부학적 소견 및 수술 전략을 보입니다. 본 연구는 대규모 3차 의료 센터에서 수집된 일상적인 수술 전후 데이터에 완전 비지도 기계 학습 파이프라인을 적용하여 수술 환자들 사이에서 잠재적이고 임상적으로 해석 가능한 표현형을 식별하는 것을 목표로 합니다.

본 연구는 비식별화된 기관 기록에 대한 후향적 관찰 분석입니다. 분석 데이터셋에는 기초 인구통계/인체 측정학, 증상 프로파일 및 관련 임상력, 수술 기법 및 수술 중 기술적 기술, 일상적으로 수집된 수술 후 추적 정보를 포괄하는 일상적으로 기록된 변수들이 포함될 것입니다. 재현성을 지원하고 변수 정의의 변동성을 줄이기 위해 사전 정의된 데이터 사전과 표준화된 전처리 규칙을 사용하여 데이터를 추출할 것입니다.

주요 분석 접근법은 비지도 클러스터링이 될 것입니다. 모델링 전에 변수들은 정리되고 표준화될 것입니다. 차원 축소는 안정성을 향상시키기 위해 주성분 분석으로 초기화된 t-분포 확률적 이웃 임베딩(t-SNE)을 사용하여 수행될 것입니다. 그런 다음 축소된 특성 공간에 k-평균 클러스터링을 적용하여 클러스터 발견을 수행할 것입니다. 다양한 클러스터 솔루션을 탐색하고, 최종 솔루션은 내적 타당성 지표(예: 실루엣 기반 측정)와 임상적 해석 가능성 평가를 함께 사용하여 선택될 것입니다. 모델 견고성은 여러 무작위 시드와 주요 매개변수 설정에 걸친 반복 실행을 통해 클러스터 할당의 안정성을 평가함으로써 검증될 것입니다.

클러스터 할당 후, 기술 및 비교 통계를 사용하여 표현형을 가장 잘 구별하는 변수를 식별하기 위해 클러스터를 특성화할 것입니다. 사후 특성 관련성/중요도 접근법을 사용하여 인구통계학적, 임상적 및 수술적 요인 중 클러스터 형성에 가장 강하게 기여하는 요소를 탐색하며, 단순한 가설 검증보다는 효과 크기와 임상적으로 의미 있는 패턴에 중점을 둘 것입니다. 연구 결과는 더 큰 수술 복잡성과 다른 수술 후 경로와 관련될 수 있는 표현형에 대한 가설을 생성하는 데 사용될 것이며, 예측 모델링 및 개인화된 수술 결정 지원에 대한 향후 작업을 뒷받침할 것입니다.

모든 분석은 검증된 통계 및 데이터 마이닝 소프트웨어를 사용하여 문서화된 매개변수 설정과 버전 추적을 통해 재현성을 가능하게 하는 통제된 기관 환경 내에서 수행될 것입니다. 분석에는 비식별화된 데이터만 사용되며, 환자 개인정보 보호를 위해 결과는 집계 형태로 보고될 것입니다.