Прогностическая модель болевых и функциональных результатов через 1 год после операции на суставе большого пальца у пациентов с остеоартритом

Целью данного исследования является разработка и проверка прогностических моделей для оценки боли и результатов функции кисти через год после артропластики трапециометакарпального сустава (ВНЧС) с использованием протеза Touch®. В исследовании используется проспективный регистр одного центра специализированной ортопедической больницы в Цюрихе, Швейцария.

Аналитические методы:

Мы будем использовать следующий подход к моделированию, чтобы определить наилучшую прогностическую ценность для исхода боли через 1 год. Выбрана модель:

- Экстремальное повышение градиента (XGBoost): непараметрический подход на основе ансамбля, который объединяет деревья решений посредством повышения для захвата сложных взаимодействий функций и эффективного моделирования нелинейности. XGBoost также включает в себя регуляризацию L1 и L2, что позволяет ему управлять переоснащением, обеспечивая при этом высокую производительность прогнозирования. XGBoost известен своей превосходной производительностью при обнаружении сложных взаимосвязей, обеспечении надежных прогнозов в различных контекстах данных, а также получении первого приза на многих конкурсах данных по искусственному интеллекту.

Недостающие данные:

Мы ожидаем отсутствия данных по сообщаемым пациентами, клиническим, радиологическим и дополнительным переменным. Чтобы решить эту проблему, мы будем

1. Оцените степень и закономерности отсутствия каждой переменной, используя описательную статистику и графические методы.
2. Исследуйте причины отсутствия значений и потенциальные различия между людьми с неполными данными и без них.
3. Обрабатывайте недостающие данные, используя встроенную возможность XGBoost напрямую управлять отсутствующими значениями, изучая оптимальные разделения для отсутствующих данных, тем самым устраняя необходимость во внешних подходах к вменению для этой модели.

Разработка модели:

Экстремальное повышение градиента (XGBoost):

• Данные будут разделены на обучающую (70%) и тестовую (30%) выборку. Модель XGBoost будет обучена с использованием настройки гиперпараметров посредством поиска по сетке в сочетании с повторной 5-кратной перекрестной проверкой (повторяется 5 раз) на обучающем наборе. Эта повторная перекрестная проверка служит внутренней проверкой, обеспечивающей надежную и объективную оценку производительности модели во время обучения. Поиск в пространстве сетки будет исследовать разумный диапазон значений ключевых гиперпараметров, таких как:

  • Количество раундов повышения (nrounds): (например, 50, 100, 200)
  • Скорость обучения (эта): (например, 0,05, 0,1, 0,3)
  • Максимальная глубина деревьев (max_eep): (например, 2, 4, 6)
  • Минимальная сумма экземпляров в каждом узле (min_child_weight): (например, 1, 2, 4)
• Размер сетки будет умеренным, чтобы сбалансировать полноту и вычислительную осуществимость, обеспечивая тщательное исследование важных гиперпараметров и избегая при этом чрезмерно исчерпывающего поиска.
• При разработке нашей модели мы будем стремиться повысить производительность и уменьшить переоснащение, используя выбор функций для устранения коллинеарности. Мы также исследуем минимальный набор функций, используя оценки важности функций из исходной модели XGBoost, а также экспертные знания для определения приоритетов клинически значимых предикторов. Наконец, мы изучим разработку функций (например, полиномиальные преобразования), чтобы повысить предсказательную силу нашей модели.

Оценка модели:

• Набор отложенных тестов: после внутренней проверки и настройки гиперпараметров окончательная модель будет оценена на 30% отложенном наборе тестов, чтобы оценить ее производительность на невидимых данных, обеспечивая несмещенную оценку возможности обобщения.

• Показатели производительности:

  • R² (коэффициент детерминации): для оценки доли дисперсии, объясняемой моделью.
  • Средняя абсолютная ошибка (MAE): для количественной оценки средней величины ошибок прогнозирования и оценки точности модели для непрерывных результатов, предлагая удобную для врача интерпретацию ошибки.
  • Графики калибровки и проверки: для оценки соответствия между наблюдаемыми и прогнозируемыми результатами, оценка того, насколько хорошо прогнозируемые значения совпадают с истинными значениями в исследуемой популяции.
• Кривая обучения: Кривые обучения будут использоваться для оценки производительности модели при различных размерах обучающего набора. Сопоставляя ошибки обучения и проверки с количеством размеров обучающей выборки (подмножества всего набора данных), мы можем оценить соответствие модели, наблюдать за поведением обучения и определить, выиграет ли производительность нашей модели от дополнительных обучающих данных.
• Неопределенность прогноза: мы будем использовать бутстрап-агрегацию (пакетирование), следуя методам Хасти и др., Для получения интервалов прогнозирования, которые количественно определяют неопределенность в отдельных прогнозах XGBoost путем анализа дисперсии ошибок прогнозирования в выборках начальной загрузки. В отличие от доверительных интервалов, эти интервалы учитывают как неточность спецификации модели, так и неопределенность результата.

Выход модели:

Мы будем использовать окончательную модель для разработки онлайн-калькулятора результатов боли и функций через 1 год после операции. Этот инструмент предназначен в первую очередь для использования врачами с целью облегчить совместное принятие решений с пациентами. Предоставляя четкую визуализацию и простые для понимания классификации, калькулятор поможет врачам объяснить пациентам потенциальные результаты и поддержать участие пациентов в планировании лечения. Выходные данные модели будут включать либо прогнозируемую оценку боли по числовой рейтинговой шкале (NRS) от 0 до 10, либо оценку функции руки bMHQ, которая варьируется от 0 до 100.

В зависимости от результата точные прогнозируемые значения будут визуально выделены следующим образом:

• Зеленый: NRS 0–3, bMHQ 67–100 (указывает на положительные результаты).
• Оранжевый: NRS 4–7, bMHQ 34–66 (указывает на умеренные исходы).
• Красный: NRS 8–10, bMHQ 0–33 (указывает на плохие результаты). Эта классификация призвана обеспечить быстрое и визуальное представление прогнозируемых результатов, облегчая врачам и пациентам интерпретацию результатов и понимание уровня риска или ожидаемый потенциал восстановления. Пороги классификации могут быть изменены в зависимости от дальнейшей проверки для обеспечения точности и клинической значимости.