ビデオアシスタントの胸腔鏡外科手術後の慢性的な術後痛みの予測者の異なる機械学習方法と領域の探索

科学分野:

• 医療情報工学 医療情報工学
• 外科腫瘍学外科腫瘍学
• 痛み 薬 薬剤 痛み 薬剤 薬剤

背景:

• 慢性的な術後の痛み (CPSP) は,ビデオアシスタント胸腔鏡手術 (VATS) を受けた患者の約30%に影響します.
• 機械学習 (ML) は,CPSPの予測を改善する可能性を秘めています.
• マルチモダルのMLモデルは,シングルモダルのアプローチよりも性能が優れているかもしれませんが,調査が必要です.

研究 の 目的:

• VATS後のCPSPを予測するための異なるMLモデルを評価し,比較する.
• CPSP予測における多変量アプローチの有効性を評価する.
• マルチモダルMLモデルが予測精度を向上させるかどうかを判断する.

主な方法:

• VATSを受けた100人の患者からなるコホートは,人口統計,心理的要因,定量的感覚検査,炎症バイオマーカーなど4つの領域で術前評価された.
• 複数のロジスティック回帰,Kernel k-Nearest Neighbors (kKNN),ランダムフォレスト変数排除によるkKNN,ナイヴ・ベイジアン分類,グラデーション・ブーストなど,5つのMLテクニックが採用されました.
• モデルは,CPSPが手術後1年後に評価され,CPSPが手術後1年後に評価され,CPSPが手術後1年後に評価され,CPSPが手術後1年後に評価された.

主要な成果:

• この研究では,12ヶ月のフォローアップを完了した86人の患者が参加しました.
• 受信機動作特性曲線 (ROCAUC) 下の面積は,モデルとドメインによって大きく変化し,0.500から0.965.5まででした.
• Gradient Boostingモデルは最高ROCAUCを達成し,優れた予測性能を示しました.

結論:

• 異なるMLモデルでは,CPSPのVATS後の予測能力が異なることが示されています.
• Gradient Boostingは,この研究で最も効果的なMLモデルとして登場しました.
• 臨床適用前にオーバーフィッティングのリスクを軽減するために,さらなる外部検証が推奨されます.