Utveckling av maskininlärningsmodeller för att förutsäga postoperativ GERD -symptomupplösning efter laparoskopisk nissen -fundoplication

Hos patienter med gastroesofageal refluxsjukdom (GERD) eldfast mot medicinering eller de som förväntas kräva långvarig medicinsk behandling, har anti-refluxkirurgi (ARS), inklusive Nissen fundoplication, utförts. GERD diagnostiseras vanligtvis som matstrups slemhinneskador eller patologisk exponering för matstrupen. Cirka 35% av patienterna med gastroesofageala refluxsymtom uppvisar emellertid inte onormala fynd på esophagogastroduodenoscopy (EGD) och esophageal pH -övervakning. Samtidigt upplever cirka 10% av patienterna med typiska GERD-symtom och 30-50% av de med atypiska GERD-symtom inte symptomförbättring även efter genomgått ARS. Därför har vikten av att förutsäga symptomförbättring efter ARS och på lämpligt sätt att välja kirurgiska kandidater i allt högre grad betonats.

Även om tidigare studier har föreslagit flera prediktorer, inklusive längden på den nedre esophageal sfinkter (LES), vilande tryck från LES och bolus exponeringstid för att förutsäga GERD-symptomupplösning efter ARS, integrerade ingen modell omfattande resultaten av EGD, esophageal ph-övervakning och manometri.

Elastisk nettoregression är en maskininlärningsmetod som använder regelbunden regressionsanalys och kombinerar L1 (LASSO) och L2 (Ridge) påföljder. Detta tillvägagångssätt gör modellen relativt robust mot överanpassning och är lämplig för datasätt med en liten provstorlek, ett stort antal variabler och allvarlig multikollinearitet. Syntetisk minoritet översamplingsteknik (SMOTE) är en metod som förbättrar tolkbarheten för minoritetsklassen i en modell genom att översampa minoritetsklassdata med hjälp av K-Nearest Neighbours (K-NN) -algoritmen. Därför syftar denna studie till att utveckla maskininlärningsmodeller för att förutsäga postoperativa gastroesofageala refluxsymptomupplösning efter laparoskopisk nissen -fundoplication med hjälp av elastisk nettoregression och smote.

Totalt 112 patienter som genomgick LNF mellan februari 2017 till februari 2023 kommer att inkluderas i denna studie. Preoperativa och postoperativa gastroesofageala symtom, inklusive halsbränna och uppstoppning, utvärderades med hjälp av GERD-Health-relaterad livskvalitet (GERD-HRQL) frågeformulär och den koreanska versionen av GERD-frågeformuläret. Postoperativa symtom utvärderades vid 1, 3, 6, 9 och 12 månader efter operationen. Patienter med mer än 70% förbättring av symtom vid den senaste uppföljningen kommer att klassificeras som symptomupplösningsgruppen. Totalt kommer 21 modeller att utvecklas för att förutsäga upplösningen av halsbränna, uppstötning eller atypiska symtom med hjälp av resultaten av manometri, 24-timmars esophageal pH-övervakning eller båda, med sju modeller för varje symptom. Alla modeller kommer också att innehålla resultaten från EGD. Elastisk netregression och smote -metoden kommer att tillämpas för att översamla minoritetsklassen och utveckla modellen. Modellprestanda valideras med 5-faldig korsvalidering. Förutom att bedöma modelldiskriminering kommer kalibreringsanalys att utföras för att utvärdera hur väl de förutsagda sannolikheterna är i linje med observerade resultat. Den prediktiva prestanda för konventionella prediktorer och möjliga prediktorer, inklusive LES: s längd, vilotryck för LES och exponeringstid för bolus, kommer att jämföras med modellprestanda för den nya modellen.