Model predykcyjny bólu i wyników funkcjonalnych w ciągu roku po operacji stawu kciuka u pacjentów z chorobą zwyrodnieniową stawów

Celem tego badania jest opracowanie i walidacja modeli predykcyjnych do oceny bólu i wyników funkcji ręki rok po alloplastyce stawu trapezowo-śródręcznego (TMJ) z użyciem protezy Touch®. W badaniu wykorzystano jednoośrodkowy rejestr prospektywny ze specjalistycznego szpitala ortopedycznego w Zurychu w Szwajcarii.

Metody analityczne:

Zastosujemy następujące podejście do modelowania, aby określić najlepszą wartość predykcyjną rocznego wyniku bólu. Wybrany model to:

- Ekstremalne wzmacnianie gradientu (XGBoost): nieparametryczne podejście oparte na zespołach, które łączy drzewa decyzyjne poprzez wzmacnianie w celu uchwycenia złożonych interakcji funkcji i skutecznego modelowania nieliniowości. XGBoost obejmuje również regularyzację L1 i L2, co pozwala mu zarządzać nadmiernym dopasowaniem, zapewniając jednocześnie wysoką wydajność predykcyjną. XGBoost jest znany ze swojej doskonałej wydajności w wychwytywaniu skomplikowanych relacji, dostarczaniu solidnych prognoz w różnych kontekstach danych, a także zdobywaniu pierwszej nagrody w wielu datatonach AI.

Brakujące dane:

Przewidujemy brakujące dane dotyczące zmiennych zgłaszanych przez pacjentów, zmiennych klinicznych, radiologicznych i dodatkowych. Aby temu zaradzić, zrobimy to

1. Oceń zakres i wzorce braków dla każdej zmiennej, korzystając ze statystyk opisowych i metod graficznych.
2. Zbadaj przyczyny brakujących wartości i potencjalne różnice między osobami z niekompletnymi danymi i bez nich.
3. Obsługuj brakujące dane, korzystając z natywnych możliwości XGBoost do bezpośredniego zarządzania brakami danych, ucząc się optymalnych podziałów brakujących danych, eliminując w ten sposób potrzebę stosowania zewnętrznych metod imputacji dla tego modelu.

Rozwój modelu:

Ekstremalne wzmocnienie gradientowe (XGBoost):

• Dane zostaną podzielone na zbiór uczący (70%) i testujący (30%). Model XGBoost będzie szkolony przy użyciu dostrajania hiperparametrów poprzez przeszukiwanie siatki w połączeniu z powtarzaną 5-krotną walidacją krzyżową (powtarzaną 5 razy) na zestawie treningowym. Ta wielokrotna walidacja krzyżowa służy jako walidacja wewnętrzna zapewniająca solidną i bezstronną ocenę wydajności modelu podczas szkolenia. Przeszukiwanie przestrzeni siatki zbada rozsądny zakres wartości kluczowych hiperparametrów, takich jak:

  • Liczba rund wzmacniających (nrund): (np. 50, 100, 200)
  • Szybkość uczenia się (eta): (np. 0,05, 0,1, 0,3)
  • Maksymalna głębokość drzew (max_ głębokość): (np. 2, 4, 6)
  • Minimalna suma instancji w każdym węźle (min_child_weight): (np. 1, 2, 4)
• Przestrzeń siatki będzie umiarkowana, aby zrównoważyć wszechstronność z wykonalnością obliczeniową, zapewniając dokładną eksplorację ważnych hiperparametrów, unikając jednocześnie zbyt wyczerpującego wyszukiwania.
• Opracowując nasz model, będziemy dążyć do zwiększenia wydajności i ograniczenia nadmiernego dopasowania poprzez zastosowanie selekcji cech w celu rozwiązania problemu współliniowości. Zbadamy także minimalny zestaw funkcji, korzystając z ocen ważności funkcji z początkowego modelu XGBoost, a także wiedzy eksperckiej, aby nadać priorytet klinicznie istotnym predyktorom. Na koniec zajmiemy się inżynierią cech (np. transformacjami wielomianowymi), aby zwiększyć moc predykcyjną naszego modelu.

Ocena modelu:

• Zestaw testowy wstrzymany: po wewnętrznej walidacji i dostrojeniu hiperparametrów ostateczny model zostanie oceniony na zestawie testowym wstrzymanym w 30%, aby ocenić jego działanie na niewidocznych danych, zapewniając bezstronne oszacowanie możliwości uogólnienia.

• Wskaźniki wydajności:

  • R² (Współczynnik determinacji): Aby ocenić proporcję wariancji wyjaśnioną przez model.
  • Średni błąd bezwzględny (MAE): w celu ilościowego określenia średniej wielkości błędów przewidywania i oceny dokładności modelu dla wyników ciągłych, oferując przyjazną dla klinicysty interpretację błędu.
  • Wykresy kalibracyjne i walidacyjne: Aby ocenić zgodność między obserwowanymi i przewidywanymi wynikami, oceniając, jak dobrze przewidywane wartości pokrywają się z prawdziwymi wartościami w badanej populacji.
• Krzywa uczenia się: Krzywe uczenia się zostaną zastosowane do oceny wydajności modelu w różnych rozmiarach zbiorów uczących. Wykreślając błędy uczenia i walidacji w funkcji liczby rozmiarów próbek uczących (podzbiorów całego zbioru danych), możemy ocenić dopasowanie modelu, obserwować zachowanie związane z uczeniem się i określić, czy wydajność naszego modelu skorzystałaby na dodatkowych danych uczących.
• Niepewność prognozy: Zastosujemy agregację metodą bootstrap (bagging), zgodnie z metodami Hastie i in., w celu uzyskania przedziałów predykcji, które określają ilościowo niepewność poszczególnych prognoz XGBoost poprzez analizę wariancji błędów prognoz w próbkach bootstrap. W przeciwieństwie do przedziałów ufności, przedziały te uwzględniają zarówno błędną specyfikację modelu, jak i niepewność wyniku.

Dane wyjściowe modelu:

Ostateczny model wykorzystamy do opracowania internetowego kalkulatora wyników leczenia bólu i funkcjonowania 1 rok po operacji. Narzędzie to jest przeznaczone przede wszystkim dla klinicystów i ma na celu ułatwienie wspólnego podejmowania decyzji z pacjentami. Zapewniając przejrzyste wizualizacje i łatwe do zrozumienia klasyfikacje, kalkulator pomoże klinicystom wyjaśnić pacjentom potencjalne wyniki i wesprzeć zaangażowanie pacjentów w planowanie leczenia. Dane wyjściowe modelu będą obejmować przewidywany wynik bólu w numerycznej skali oceny (NRS) 0–10 lub wynik funkcji ręki bMHQ, który mieści się w zakresie 0–100.

Na podstawie wyniku dokładne przewidywane wartości zostaną wizualnie wyróżnione w następujący sposób:

• Zielony: NRS 0-3, bMHQ 67-100 (wskazujący pozytywne wyniki)
• Pomarańczowy: NRS 4-7, bMHQ 34-66 (wskazuje umiarkowane wyniki)
• Czerwony: NRS 8-10, bMHQ 0-33 (wskazujący słabe wyniki) Klasyfikacja ta ma na celu zapewnienie szybkiej, wizualnej reprezentacji przewidywanych wyników, ułatwiając klinicystom i pacjentom interpretację wyników oraz zrozumienie poziomu ryzyka lub oczekiwany potencjał ożywienia gospodarczego. Progi klasyfikacji mogą podlegać zmianom w zależności od dalszej walidacji mającej na celu zapewnienie dokładności i znaczenia klinicznego.