开发机器学习模型，以预测腹腔镜Nissen Enderoplication后术后GERD症状分辨率

在胃食管反流疾病（GERD）对药物的难治或预期需要长期治疗的患者中，已经进行了抗反复外科手术（ARS），包括Nissen undsoplication。 GERD通常被诊断为食管粘膜损伤或病理食管酸暴露。 然而，大约35％的胃食管反流症状患者对食管胃十二指肠镜检查（EGD）和食管pH监测表现出异常的发现。 同时，大约有10％的患有典型GERD症状的患者和30-50％的患有非典型GERD症状的患者即使在接受ARS后也不会症状改善。 因此，越来越强调了ARS后预测症状改善和适当选择手术候选者的重要性。

尽管先前的研究提出了几个预测因子，包括低食管括约肌（LES）的长度，LES的静止压力以及Bolus暴露时间预测ARS后的GERD症状，但没有任何模型全面整合EGD的结果，EGD的结果，食管食管PH pH监测和MANOMETRY。

弹性净回归是一种机器学习方法，它利用了正则回归分析，结合了L1（Lasso）和L2（Ridge）惩罚。 这种方法使该模型相对可靠，适用于过度拟合，并且适用于样本量较小，大量变量和严重多重共线性的数据集。 综合少数族裔过采样技术（SMOTE）是一种使用K-Nearest Neighbors（K-NN）算法过采样的少数族裔类数据，可以增强少数类别的解释性。 因此，这项研究旨在开发机器学习模型，以预测腹腔镜Nissen底面使用弹性净回归和SMOTE后腹腔镜NISSEN倒闭后分辨术后回流症状。

在2017年2月至2023年2月之间，共有112例接受LNF的患者将包括在本研究中。 使用与GERD健康相关的生活质量（GERD-HRQL）问卷和韩国版的GERD问卷调查，评估了术前和术后胃食管治疗症状，包括胃灼热和反流。 在手术后的1、3、6、9和12个月中评估术后症状。 在上次随访中症状提高了70％以上的患者将被归类为症状分辨率组。 将开发21种模型，以预测使用测量结果，24小时食管pH监测的结果，或两者兼有7个症状模型，以预测胃灼热，反流或非典型症状的分辨率。 所有模型还将结合EGD的结果。 弹性净回归和SMOTE方法将应用于超过少数群体并开发模型。 模型性能将通过5倍交叉验证进行验证。 除了评估模型歧视外，还将进行校准分析，以评估预测概率与观察到的结果的一致性。 传统预测因子和可能的预测因子的预测性能，包括LES的长度，LES的静息压力以及推注的时间，将与新型模型的模型性能进行比较。