Datagedreven Clustering in Aambei-chirurgie: Retrospectieve Monocentrische Studie voor de Identificatie van Klinische Fenotypes (PROCTO-CLUSTER)

Hemorroïdale aandoeningen presenteren zich met heterogene symptoompatronen, anatomische bevindingen en operatieve strategieën die niet volledig worden vastgelegd door traditionele op graden gebaseerde classificaties. Deze studie heeft tot doel latente, klinisch interpreteerbare fenotypen te identificeren onder chirurgische patiënten met behulp van een volledig onbewaakt machine learning-pijplijn toegepast op routinematig verzamelde perioperatieve gegevens van een hoogvolume tertiair verwijzingscentrum.

Dit is een retrospectieve, observationele analyse van geanonimiseerde institutionele dossiers. De analytische dataset zal routinematig gedocumenteerde variabelen omvatten die basisdemografie/antropometrie, symptoomprofiel en relevante klinische geschiedenis, operatietechniek en intraoperatieve beschrijvingen, en routinematig vastgelegde postoperatieve follow-upinformatie omvatten. Gegevens zullen worden geëxtraheerd met behulp van een vooraf gedefinieerde datadictionary en gestandaardiseerde voorbewerkingsregels om reproduceerbaarheid te ondersteunen en variabiliteit in variabeledefinities te verminderen.

De primaire analytische aanpak zal onbewaakte clustering zijn. Variabelen zullen worden gereinigd en gestandaardiseerd vóór modellering. Dimensionaliteitsreductie zal worden uitgevoerd met behulp van t-verdeelde stochastische buur inbedding (t-SNE), geïnitialiseerd met hoofdcomponentanalyse om stabiliteit te verbeteren. Clusterontdekking zal vervolgens worden uitgevoerd met behulp van k-means-clustering op de gereduceerde kenmerkruimte. Een reeks clusteroplossingen zal worden onderzocht, en de uiteindelijke oplossing zal worden geselecteerd met behulp van interne validatiemetingen (bijvoorbeeld op silhouet gebaseerde maten) samen met beoordeling van klinische interpreteerbaarheid. Modelrobuustheid zal worden geëvalueerd door herhaalde runs over meerdere willekeurige seeds en belangrijke parameterinstellingen om stabiliteit van clustertoewijzingen te beoordelen.

Na clustertoewijzing zullen clusters worden gekarakteriseerd met behulp van beschrijvende en vergelijkende statistieken om variabelen te identificeren die fenotypen het meest onderscheiden. Post-hoc kenmerkrelevantie/-belangrijkheidsbenaderingen zullen worden gebruikt om te onderzoeken welke demografische, klinische en chirurgische factoren het sterkst bijdragen aan clustervorming, met nadruk op effectgroottes en klinisch betekenisvolle patronen in plaats van alleen hypothesetoetsing. Bevindingen zullen worden gebruikt om hypothesen te genereren met betrekking tot fenotypen die mogelijk geassocieerd zijn met grotere operatieve complexiteit en verschillende postoperatieve trajecten, ter ondersteuning van toekomstig werk aan voorspellende modellering en geïndividualiseerde chirurgische beslissingsondersteuning.

Alle analyses zullen worden uitgevoerd binnen een gecontroleerde institutionele omgeving met behulp van gevalideerde statistische en dataminingsoftware, met gedocumenteerde parameterinstellingen en versievolging om reproduceerbaarheid mogelijk te maken. Alleen geanonimiseerde gegevens zullen worden gebruikt voor analyse, en resultaten zullen geaggregeerd worden gerapporteerd om patiëntprivacy te beschermen.