Разработка и предварительная валидация алгоритма прогнозирования на основе машинного обучения для раннего функционального восстановления у пациентов после эндопротезирования тазобедренного и коленного суставов (FISIO_IA)

Это наблюдательное исследование направлено на разработку и предварительную валидацию алгоритма машинного обучения для прогнозирования раннего восстановления мобильности и продолжительности пребывания в стационаре у пациентов, перенесших плановое эндопротезирование тазобедренного или коленного сустава. Исследование включает ретроспективную фазу (2020-2023 гг.) с использованием существующих клинических данных и данных физиотерапии, а также проспективную фазу (март 2026 г. - декабрь 2027 г.) для валидации модели в рутинной клинической практике.

Сбор данных и исходы:

Восстановление мобильности: оценивается по способности подниматься и спускаться по трём ступеням в течение первых четырёх послеоперационных дней, фиксируется в дневнике физиотерапии и электронной медицинской карте.

Продолжительность пребывания: считается обычной, если выписка произошла к пятому послеоперационному дню; более длительные пребывания определяются как пролонгированные.

Предикторы: базовые демографические данные (возраст, пол, ИМТ, оценка по ASA, предоперационный гемоглобин) и клинические/периоперационные характеристики (тип операции и анестезии, начало физиотерапии, уровень боли, использование мочевого катетера, ортостатическая непереносимость).

Размер выборки: всего 943 пациента (600 ретроспективных, 343 проспективных), на основе требований к разработке модели и оценки AUROC.

Анализ данных: набор данных будет разделён на обучающую, валидационную и тестовую выборки. Будут сравниваться несколько алгоритмов обучения с учителем (например, логистическая регрессия, случайный лес, градиентный бустинг). Производительность модели будет оцениваться с использованием AUROC, чувствительности, специфичности, точности, F1-меры и калибровки. Пропущенные данные будут обрабатываться методами импутации или собственными методами алгоритма при их поддержке.

Валидация модели: проспективные данные будут использоваться для оценки дискриминации и калибровки модели, а также для выявления потенциальных временных или клинических смещений. Дополнительное обучение может быть проведено с использованием объединённых наборов данных для улучшения обобщаемости.

Схема исследования: ретроспективные пациенты идентифицируются через больничные записи; проспективные пациенты идентифицируются на первом послеоперационном сеансе физиотерапии, им предоставляется информация об исследовании и получается согласие. Прогностические результаты хранятся в отдельном реестре, недоступном для лечащих врачей.

Участвующие центры:

IRCCS Институт ортопедии Риццоли, Болонья - набор пациентов. Комплексная структура медицинской физики, Больница Святой Марии Нуовы - анализ данных и моделирование ИИ.