使用机器学习的Achalasia表型和预测口腔内镜肌瘤结局的结果
Kazuya Takahashi1, Hiroki Sato1, Yuto Shimamura2
1Division of Gastroenterology and Hepatology, Graduate School of Medical and Dental Sciences, Niigata University, Niigata, Japan.
概括
机器学习根据运动性和形态学识别了三个不同的秋拉西亚表型,揭示了各种病理生理学. 这种方法有助于预测阿喀拉西亚患者口腔内镜肌切除术 (POEM) 的治疗结果.
科学领域:
- 胃肠病学 胃肠病学
- 医学诊断 医学诊断 医学诊断
- 计算生物学 计算生物学
背景情况:
- 高分辨率测量仪 (HRM) 和食管学是诊断阿喀拉西亚的标准.
- 目前的诊断方法并不能完全通过结合运动性和形态学来表征阿喀拉西亚表型.
- 预测治疗结果,特别是门内镜肌肉切除术 (POEM),在以前未经治疗的阿喀拉西亚患者中仍然具有挑战性.
研究的目的:
- 通过使用机器学习整合食道运动性和形态学数据来识别不同的阿喀拉西亚表型.
- 开发机器学习模型来预测POEM后的持续症状和逆流食道炎在以前没有接受过治疗的病患者中.
主要方法:
- 一项多中心队列研究包括1824名以前没有接受过治疗的阿喀拉西亚患者,其中1778人接受了POEM.
- 机器学习聚类应用于人口统计数据,人力资源管理和食管学发现,以定义阿卡拉西亚表型.
- 开发了预测模型来评估POEM后持续症状 (埃卡德得分≥3) 和反流食道炎 (RE) 的可能性.
主要成果:
- 鉴定出了三种阿喀拉西亚表型:表型1 (I型,扩大食道37.0%),表型2 (II型,扩大食道11.1%) 和表型3 (晚发型I-III型,非扩大食道33.9%).
- 与表型3相比,表型1和2显示出不同的临床特征,这表明在相同的HRM诊断中存在不同的病理生理学.
- 一个持续症状的预测模型实现了0.70的AUC,而POEM前Eckardt得分≥6是最强的预测因素. 在POEM RE后的AUC为0.61.
结论:
- 结合食道运动和形态的阿哈拉西亚表型突出显示了各种潜在疾病的病理生理学.
- 机器学习促进了POEM后持续症状的风险分层模型的开发.
- 这项研究提供了对导致阿喀拉西亚治疗耐药性的因素的新见解.
