Modelo preditivo para resultados de dor e função em 1 ano após cirurgia da articulação do polegar em pacientes com osteoartrite

Este estudo tem como objetivo desenvolver e validar modelos preditivos para avaliação de resultados de dor e função da mão um ano após artroplastia da articulação trapeziometacarpal (ATM) com prótese Touch®. O estudo utiliza um registro prospectivo unicêntrico de um hospital ortopédico especializado em Zurique, Suíça.

Métodos analíticos:

Usaremos a seguinte abordagem de modelagem para determinar o melhor valor preditivo para o resultado de dor em 1 ano. O modelo escolhido é:

- Extreme Gradient Boosting (XGBoost): Uma abordagem não paramétrica baseada em conjunto que combina árvores de decisão por meio de boosting para capturar interações de recursos complexos e modelar a não linearidade de forma eficaz. O XGBoost também inclui regularização L1 e L2, permitindo gerenciar overfitting e, ao mesmo tempo, fornecer forte desempenho preditivo. O XGBoost é conhecido por seu desempenho superior na captura de relacionamentos complexos, fornecendo previsões robustas em vários contextos de dados, bem como obtendo o primeiro prêmio em muitos datathons de IA.

Dados ausentes:

Prevemos dados faltantes para variáveis ​​relatadas pelo paciente, clínicas, radiológicas e suplementares. Para resolver isso, iremos

1. Avalie a extensão e os padrões de falta de cada variável usando estatísticas descritivas e métodos gráficos.
2. Investigue as razões para valores faltantes e possíveis diferenças entre indivíduos com e sem dados incompletos.
3. Lide com dados ausentes usando a capacidade nativa do XGBoost para gerenciar valores ausentes diretamente, aprendendo divisões ideais para dados ausentes, eliminando assim a necessidade de abordagens de imputação externas para este modelo.

Desenvolvimento de modelo:

Aumento extremo de gradiente (XGBoost):

• Os dados serão divididos em um conjunto de treinamento (70%) e teste (30%). O modelo XGBoost será treinado usando ajuste de hiperparâmetros por meio de pesquisa de grade combinada com validação cruzada repetida de 5 vezes (repetida 5 vezes) no conjunto de treinamento. Esta validação cruzada repetida serve como validação interna para garantir uma estimativa robusta e imparcial do desempenho do modelo durante o treinamento. A pesquisa no espaço da grade explorará uma faixa razoável de valores para hiperparâmetros principais, como:

  • Número de rodadas de reforço (nrounds): (por exemplo, 50, 100, 200)
  • Taxa de aprendizagem (eta): (por exemplo, 0,05, 0,1, 0,3)
  • Profundidade máxima das árvores (max_profundidade): (por exemplo, 2, 4, 6)
  • Soma mínima de instâncias em cada nó (min_child_weight): (por exemplo, 1, 2, 4)
• O espaço da grelha será mantido de tamanho moderado para equilibrar a abrangência com a viabilidade computacional, garantindo uma exploração completa de hiperparâmetros importantes, evitando ao mesmo tempo uma pesquisa excessivamente exaustiva.
• Ao desenvolver nosso modelo, teremos como objetivo melhorar o desempenho e reduzir o overfitting, empregando a seleção de recursos para abordar a colinearidade. Também investigaremos um conjunto mínimo de recursos usando pontuações de importância de recursos de um modelo XGBoost inicial, bem como conhecimento especializado para priorizar preditores clinicamente relevantes. Por último, exploraremos a engenharia de recursos (por exemplo, transformações polinomiais) para aumentar o poder preditivo do nosso modelo.

Avaliação do modelo:

• Conjunto de testes retidos: após validação interna e ajuste de hiperparâmetros, o modelo final será avaliado no conjunto de testes retidos de 30% para avaliar seu desempenho em dados não vistos, fornecendo uma estimativa imparcial de generalização.

• Métricas de desempenho:

  • R² (Coeficiente de Determinação): Avaliar a proporção de variância explicada pelo modelo.
  • Erro Médio Absoluto (MAE): Para quantificar a magnitude média dos erros de previsão e avaliar a precisão do modelo para resultados contínuos, oferecendo uma interpretação do erro amigável ao médico.
  • Gráficos de calibração e validação: Para avaliar a concordância entre os resultados observados e previstos, avaliando quão bem os valores previstos se alinham com os valores verdadeiros na população do estudo.
• Curva de aprendizagem: curvas de aprendizagem serão empregadas para avaliar o desempenho do modelo em diferentes tamanhos de conjuntos de treinamento. Ao traçar os erros de treinamento e validação em relação ao número de tamanhos de amostra de treinamento (subconjuntos de todo o conjunto de dados), podemos avaliar o ajuste do modelo, observar o comportamento de aprendizagem e determinar se o desempenho do nosso modelo se beneficiaria de dados de treinamento adicionais.
• Incerteza de previsão: usaremos agregação de bootstrap (bagging), seguindo métodos de Hastie et al., para obter intervalos de predição, que quantificam a incerteza em previsões XGBoost individuais, analisando a variância nos erros de previsão em amostras de bootstrap. Ao contrário dos intervalos de confiança, esses intervalos são responsáveis ​​tanto pela especificação incorreta do modelo quanto pela incerteza dos resultados.

Saída do modelo:

Usaremos o modelo final para desenvolver uma calculadora de resultados baseada na web para dor e função 1 ano após a cirurgia. Esta ferramenta destina-se principalmente ao uso dos médicos, com o objetivo de facilitar a tomada de decisão compartilhada com os pacientes. Ao fornecer visualizações claras e classificações fáceis de entender, a calculadora ajudará os médicos a explicar os resultados potenciais aos pacientes e apoiará o envolvimento do paciente no planejamento do tratamento. A saída do modelo incluirá a pontuação de dor prevista em uma escala de avaliação numérica (NRS) de 0 a 10 ou a pontuação da função manual bMHQ, que varia de 0 a 100.

Com base no resultado, os valores exatos previstos serão destacados visualmente a seguir:

• Verde: NRS 0-3, bMHQ 67-100 (indicativo de resultados positivos)
• Laranja: NRS 4-7, bMHQ 34-66 (indicativo de resultados moderados)
• Vermelho: NRS 8-10, bMHQ 0-33 (indicativo de resultados ruins) Esta classificação visa fornecer uma representação rápida e visual dos resultados previstos, tornando mais fácil para médicos e pacientes interpretarem os resultados e compreenderem o nível de risco ou potencial de recuperação esperado. Os limites de classificação podem estar sujeitos a alterações com base em validação adicional para garantir precisão e relevância clínica.