Ontwikkeling van machine learning -modellen om postoperatieve GERD -symptoomresolutie te voorspellen na laparoscopische Nissen Fundoplication

Bij patiënten met gastro-oesofageale refluxziekte (GERD) vuurvast voor medicatie of degenen die naar verwachting een langdurige medische behandeling vereisen, is anti-refluxchirurgie (ARS), inclusief Nissen-fundoplicatie, uitgevoerd. GERD wordt meestal gediagnosticeerd als slokdarmslijmvliesschade of blootstelling aan pathologische slokdarmzuur. Ongeveer 35% van de patiënten met gastro -oesofageale refluxsymptomen vertoont echter geen abnormale bevindingen op slokdarmastroduodenoscopie (EGD) en slokdarm pH -monitoring. Ondertussen ervaren ongeveer 10% van de patiënten met typische GERD-symptomen en 30-50% van degenen met atypische GERD-symptomen geen symptoomverbetering, zelfs na het ondergaan van AR's. Daarom is het belang van het voorspellen van symptoomverbetering na AR's en het op de juiste manier selecteren van chirurgische kandidaten in toenemende mate benadrukt.

Hoewel eerdere studies verschillende voorspellers hebben gesuggereerd, waaronder de lengte van de lagere slokdarmsfincter (LES), rustdruk van de LES en bolus blootstellingstijd om GERD-symptoomresolutie na AR's te voorspellen, integreerde geen model de resultaten van EGD, slokdarm pH-monitoring en manometrie.

Elastische netto regressie is een machine learning -methode die geregulariseerde regressieanalyse gebruikt, waarbij L1 (LASSO) en L2 (Ridge) straffen worden gecombineerd. Deze benadering maakt het model relatief robuust tegen overfitting en is geschikt voor datasets met een kleine steekproefgrootte, een groot aantal variabelen en ernstige multicollineariteit. Synthetische minderheidsoverbemonsterechniek (SMOTE) is een methode die de interpreteerbaarheid van de minderheidsklasse verbetert in een model door gegevens over minderheden in minderheden te overbruggen met behulp van het K-CEE-algoritme van de K-Nearste Neighbours (K-NN). Daarom is deze studie bedoeld om modellen voor machine learning te ontwikkelen om postoperatieve gastro -oesofageale reflux -symptoomresolutie te voorspellen na laparoscopische Nissen Fundoplication met behulp van elastische netto regressie en smote.

Een totaal van 112 patiënten die LNF tussen februari 2017 tot februari 2023 ondergingen, zullen in deze studie worden opgenomen. Preoperatieve en postoperatieve gastro-oesofageale symptomen, waaronder brandend maagzuur en regurgitatie, werden geëvalueerd met behulp van de GERD-Health-gerelateerde kwaliteit van leven (GERD-HRQL) vragenlijst en de Koreaanse versie van de GERD-vragenlijst. Postoperatieve symptomen werden beoordeeld op 1, 3, 6, 9 en 12 maanden na de operatie. Patiënten met meer dan 70% verbetering van de symptomen bij de laatste follow-up worden geclassificeerd als de symptoomresolutiegroep. In totaal zullen 21 modellen worden ontwikkeld om de resolutie van brandend maagzuur, regurgitatie of atypische symptomen te voorspellen met behulp van de resultaten van manometrie, 24-uurs slokdarmpH-monitoring, of beide, met zeven modellen voor elk symptoom. Alle modellen zullen ook de resultaten van EGD bevatten. Elastische netto regressie en de smote -methode zullen worden toegepast om de minderheidsklasse te monsteren en het model te ontwikkelen. Modelprestaties worden gevalideerd met 5-voudige kruisvalidatie. Naast het beoordelen van modeldiscriminatie, zal kalibratieanalyse worden uitgevoerd om te evalueren hoe goed de voorspelde waarschijnlijkheden overeenkomen met waargenomen resultaten. De voorspellende prestaties van conventionele voorspellers en mogelijke voorspellers, waaronder de lengte van LES, rustdruk van de LES en bolusblootstellingstijd, zullen worden vergeleken met de modelprestaties van het nieuwe model.