Predecir el fracaso subjetivo de la reconstrucción del LCA: un análisis de aprendizaje automático del Registro noruego del ligamento de la rodilla y los resultados informados por los pacientes

by | 23 de Ago, 2022 | 0 comments

Resumen

Objetivos

La predicción precisa del resultado después de la reconstrucción del ligamento cruzado anterior (LCA) es un desafío, y el aprendizaje automático tiene el potencial de mejorar nuestra capacidad predictiva. El propósito de este estudio fue determinar si el análisis de aprendizaje automático del Registro noruego de ligamentos de la rodilla (NKLR) puede (1) identificar los factores de riesgo más importantes asociados con el fracaso subjetivo de la reconstrucción del LCA y (2) desarrollar una calculadora clínicamente significativa para predecir el probabilidad de falla subjetiva después de la reconstrucción del LCA.

Métodos

El análisis de aprendizaje automático se realizó en el NKLR. Se incluyeron todos los pacientes con datos de seguimiento de 2 años. El resultado primario fue la probabilidad de fracaso subjetivo 2 años después de la cirugía primaria, definida como una puntuación de <44 en la subescala de calidad de vida (QoL) de la puntuación de resultado de la lesión de la rodilla y la osteoartritis (KOOS). Los datos se dividieron aleatoriamente en conjuntos de entrenamiento (75%) y de prueba (25%). Se probaron cuatro modelos destinados a este tipo de datos: regresión logística de Lasso, bosque aleatorio, modelo aditivo generalizado (GAM) y regresión potenciada por gradiente (GBM). Estos cuatro modelos representan una variedad de enfoques para los detalles estadísticos, como la selección de variables y la complejidad del modelo. El rendimiento del modelo se evaluó calculando la calibración y el área bajo la curva (AUC).

Resultados

De los 20 818 pacientes que cumplieron con los criterios de inclusión, 11 630 (56 %) completaron el cuestionario KOOS QoL de seguimiento a los 2 años. De aquellos con datos completos de KOOS, el 22 % informó fallas subjetivas. La regresión logística de lazo, GBM y GAM demostraron un AUC en el rango moderado (0,67 a 0,68), con el mejor rendimiento de GAM (0,68; IC del 95 %: 0,64 a 0,71). La regresión logística de Lasso, GBM y GAM estaban bien calibrados, mientras que el bosque aleatorio mostró evidencia de mala calibración. El GAM fue seleccionado para crear una calculadora en la clínica para predecir el riesgo subjetivo de falla a un nivel específico del paciente (https://swastvedt.shinyapps.io/calculator_koosqol/).

Conclusión

El análisis de aprendizaje automático del NKLR puede predecir el riesgo subjetivo de falla después de la reconstrucción de ACL con bastante precisión. Este algoritmo respalda la creación de una calculadora en la clínica fácil de usar para la estratificación del riesgo en el punto de atención. Los médicos pueden usar esta calculadora para estimar el riesgo de fracaso subjetivo a un nivel específico del paciente al analizar las expectativas de resultados antes de la operación.

Nivel de evidencia

Nivel III Revisión retrospectiva de un registro nacional prospectivo.

Introducción

La reconstrucción del ligamento cruzado anterior (LCA) es un procedimiento ortopédico común destinado a restaurar la función y la estabilidad después de una lesión. La literatura sobre el resultado quirúrgico a menudo se informa en relación con las medidas de resultado informadas por el paciente (PROM), y se han sugerido varios factores de riesgo para un resultado deficiente [, , , ]. Actualmente, sin embargo, la capacidad de usar estos predictores en el momento de la cirugía para predecir con precisión qué pacientes corren el riesgo de experimentar un mal resultado es deficiente. [].
Recientemente, ha habido un mayor enfoque en el uso de inteligencia artificial y aprendizaje automático para mejorar la capacidad predictiva dentro de varios campos de la medicina, incluida la cirugía ortopédica. [, , , , ]. Estas técnicas estadísticas avanzadas utilizan algoritmos informáticos para modelar interacciones complejas entre variables y pueden conducir a una mejor capacidad para predecir el resultado. El carácter “avanzado” de estas técnicas se deriva del hecho de que las interacciones pueden ser más complejas que con las estadísticas tradicionales. Los análisis de aprendizaje automático pueden considerar todas las interacciones posibles entre variables en una base de datos y determinar las relaciones con la medida de resultado deseada. Los factores importantes para predecir los resultados se pueden identificar y utilizar para desarrollar el algoritmo predictivo. A menudo, se requiere una programación informática humana directa y explícita mínima, y ​​los algoritmos resultantes se pueden usar para predecir prospectivamente el resultado específico del paciente.
El Registro noruego del ligamento de la rodilla (NKLR) ha estado recopilando prospectivamente datos demográficos, de lesiones, quirúrgicos y de resultados desde 2004. Ahora incluye a más de 25 000 pacientes que se han sometido a una reconstrucción del LCA con un alto cumplimiento en todo el país. []. Varios estudios que han mejorado nuestra comprensión de las lesiones del LCA se han basado en el NKLR [, , , ]y el análisis de aprendizaje automático permite una evaluación más profunda de los factores asociados con el resultado []. Actualmente no existen modelos de aprendizaje automático para predecir resultados subjetivos después de la reconstrucción primaria de LCA, y el desarrollo de una herramienta de este tipo podría afectar la práctica clínica al informar la toma de decisiones compartida y las expectativas de resultados.
El propósito de este estudio fue utilizar el análisis de aprendizaje automático del NKLR para (1) identificar los factores de riesgo más importantes asociados con el fracaso subjetivo de la reconstrucción primaria del LCA y (2) desarrollar un modelo clínicamente significativo para predecir el fracaso subjetivo de la reconstrucción primaria del LCA. El fracaso subjetivo se definió como una puntuación de la subescala de calidad de vida (QoL) de la puntuación de resultado de lesión de rodilla y osteoartritis (KOOS) de . La hipótesis era que el análisis de aprendizaje automático facilitaría la predicción precisa de fallas subjetivas para un paciente que se somete a una reconstrucción primaria de LCA.

Discusión

El hallazgo más importante de este estudio fue que el análisis de aprendizaje automático de un registro de ligamentos de la rodilla permite la creación de un algoritmo validado para predecir el riesgo de un paciente de experimentar una falla subjetiva en la reconstrucción del LCA con bastante precisión. Además, a pesar de tener 20 posibles variables de pronóstico contenidas en el NKLR, el algoritmo solo requirió ocho factores para la predicción del riesgo a 2 años. Las variables necesarias para la predicción del riesgo incluyen la edad en el momento de la lesión, las puntuaciones de la subescala KOOS preoperatoria, la actividad que condujo a una lesión del LCA, la lesión del cartílago concomitante, el historial de cirugía previa en la misma rodilla y el IMC preoperatorio. Usando este algoritmo, desarrollamos una calculadora en la clínica que puede estimar el riesgo de falla subjetiva.

Esto representa el primer modelo de aprendizaje automático para predecir el resultado subjetivo de la reconstrucción del LCA a un nivel específico del paciente. La estimación del riesgo de revisión se ha desarrollado previamente [], y juntas, estas dos herramientas de predicción se pueden usar para guiar la discusión sobre las opciones quirúrgicas y los objetivos de resultados realistas a un nivel específico del paciente. Para el médico, esto representa un complemento valioso para la evaluación de pacientes con deficiencia de LCA que desean tratamiento quirúrgico.
Similar al estudio previo de riesgo de revisión [], se utilizaron cuatro modelos para analizar el NKLR y crear algoritmos que predijeran el riesgo de falla subjetiva después de la reconstrucción del LCA. La discriminación (AUC) fue similar para la predicción del resultado subjetivo evaluado con este estudio (0,65–0,68) en comparación con la predicción del riesgo de revisión (0,67–0,69), y todos los modelos excepto el bosque aleatorio demostraron una calibración adecuada. Es interesante notar que mientras los factores usados ​​para predecir el riesgo de revisión incluyeron detalles quirúrgicos modificables (elección del injerto, dispositivo de fijación femoral y tiempo entre la lesión y la cirugía) [], la predicción del fracaso subjetivo parece ser estática. Es decir, la mayoría de las variables utilizadas para predecir el resultado subjetivo se basan en factores impulsados ​​por el paciente que están presentes antes de la cirugía (edad, lesión condral concomitante, antecedentes de cirugía previa y actividad que condujo a la lesión) y pueden no ser susceptibles de optimización. .
De las variables identificadas por el algoritmo como importantes para predecir el riesgo de fracaso subjetivo, el único factor realmente modificable fue el IMC del paciente en el momento de la cirugía. No está claro hasta qué punto los esfuerzos para disminuir el IMC antes de la cirugía pueden influir en el riesgo de resultados funcionales deficientes y plantea un área interesante para estudios futuros. Del mismo modo, dado el impacto de las puntuaciones KOOS prequirúrgicas en el resultado subjetivo postoperatorio eventual, los esfuerzos para optimizar funcional…
[Traducido automáticamente]
Publicación Original

0 Comments

Submit a Comment

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *