Αφηρημένο

Ιστορικό

Δεδομένου ότι τα περισσότερα δημοσιευμένα άρθρα συγκρίνοντας την απόδοση των τεχνητών νευρωνικών δικτύων (ΤΝΔ) μοντέλα και λογιστικής παλινδρόμησης (LR) μοντέλα για την πρόβλεψη ηπατοκυτταρικό καρκίνωμα (HCC) τα αποτελέσματα χρησιμοποιούνται μόνο ενιαίο σύνολο δεδομένων, το βασικό θέμα της εσωτερικής εγκυρότητας (επαναληψιμότητα) των μοντέλων δεν έχει αντιμετωπιστεί. Οι σκοποί της μελέτης θα επικυρώνει τη χρήση του μοντέλου ΤΝΔ για την πρόβλεψη νοσοκομειακή θνητότητα σε ασθενείς με χειρουργική επέμβαση HCC στην Ταϊβάν και να συγκριθεί η προγνωστική ακρίβεια των ΤΝΔ με εκείνη του μοντέλου LR.

Μεθοδολογία /Κύρια Ευρήματα

οι ασθενείς που υποβλήθηκαν σε χειρουργική επέμβαση HCC κατά την περίοδο 1998-2009 είχαν συμπεριληφθεί στη μελέτη. Αυτή η μελέτη εκ των υστέρων σύγκριση 1.000 ζεύγη των LR και τα μοντέλα ΤΝΔ με βάση την αρχική κλινική δεδομένα για 22.926 HCC ασθενείς χειρουργική επέμβαση. Για κάθε ζεύγος ANN και LR μοντέλα, η περιοχή κάτω από το χαρακτηριστικό λειτουργίας λήπτη (AUROC) καμπύλες, Hosmer-Lemeshow (H-L) στατιστικές και ποσοστό ακρίβειας υπολογίστηκαν και συγκρίθηκαν χρησιμοποιώντας ζεύγη T-tests. Μια παγκόσμια ανάλυση ευαισθησίας πραγματοποιήθηκε επίσης να αξιολογηθεί η σχετική σημασία των παραμέτρων εισαγωγής στο μοντέλο του συστήματος και τη σχετική σημασία των μεταβλητών. Σε σύγκριση με τα μοντέλα LR, τα μοντέλα ANN είχε ένα καλύτερο ποσοστό ακρίβειας σε 97,28% των περιπτώσεων, μια καλύτερη H-L στατιστική στο 41,18% των περιπτώσεων, και καλύτερη καμπύλη AUROC στο 84,67% των περιπτώσεων. όγκος Χειρουργός ήταν ο πλέον σημαίνοντες (ευαίσθητα) παράμετρος που επηρεάζει σε ενδονοσοκομειακή θνητότητα που ακολουθείται από την ηλικία και τα μήκη της παραμονής.

Συμπεράσματα /Σημασία

Σε σύγκριση με τη συμβατική LR μοντέλο, το μοντέλο ANN στην η μελέτη ήταν πιο ακριβείς στην πρόβλεψη νοσοκομειακή θνητότητα και είχαν υψηλότερη συνολική δείκτες απόδοσης. Περαιτέρω μελέτες αυτού του μοντέλου μπορεί να εξετάσει την επίδραση ενός πιο λεπτομερή βάση δεδομένων που περιλαμβάνει τις επιπλοκές και τα ευρήματα κλινικής εξέτασης, καθώς και πιο λεπτομερή στοιχεία έκβαση

Παράθεση:. Shi ΗΥ, Lee KT, Lee HH, Ho WH, Ηλιόλουστη DP, Wang JJ, et al. (2012) Σύγκριση των Μοντέλων τεχνητό νευρωνικό δίκτυο και Logistic Regression για την πρόβλεψη της ενδο-νοσοκομειακή θνητότητα μετά από πρωτοπαθή καρκίνο του ήπατος χειρουργική επέμβαση. PLoS ONE 7 (4): e35781. doi: 10.1371 /journal.pone.0035781

Συντάκτης: William B. Coleman, του Πανεπιστημίου της Βόρειας Καρολίνας Σχολή Ιατρικής, Ηνωμένες Πολιτείες της Αμερικής

Ελήφθη: 5 Ιανουαρίου, 2012? Αποδεκτές: 21 Μαρτίου, 2012? Δημοσιεύθηκε: 26, Απριλίου του 2012

Copyright: © 2012 Shi et al. Αυτό είναι ένα άρθρο ανοικτής πρόσβασης διανέμεται υπό τους όρους της άδειας χρήσης Creative Commons Attribution, το οποίο επιτρέπει απεριόριστη χρήση, τη διανομή και την αναπαραγωγή σε οποιοδήποτε μέσο, ​​με την προϋπόθεση το αρχικό συγγραφέα και την πηγή πιστώνονται

Χρηματοδότηση:. Αυτό το έργο υποστηρίχθηκε εν μέρει από το Εθνικό Επιστημονικό Συμβούλιο, την Ταϊβάν, Δημοκρατία της Κίνας, σύμφωνα με τους αριθμούς επιχορήγηση NSC 99-2320-B-037-026-MY2 και NSC 99-2314-B-037-069-my3. Οι χρηματοδότες δεν είχε κανένα ρόλο στο σχεδιασμό της μελέτης, τη συλλογή και ανάλυση των δεδομένων, η απόφαση για τη δημοσίευση, ή την προετοιμασία του χειρογράφου. Καμία πρόσθετη εξωτερική χρηματοδότηση που έλαβε για την παρούσα μελέτη

Αντικρουόμενα συμφέροντα:. Οι συγγραφείς έχουν δηλώσει ότι δεν υπάρχουν ανταγωνιστικά συμφέροντα

Εισαγωγή

Το ηπατοκυτταρικό καρκίνωμα (HCC) είναι διαδεδομένη σε περιοχές. της Ασίας, της Μεσογείου και της Νότιας Αφρικής. Στην Ταϊβάν, ένας ιός της ηπατίτιδας Β (HBV) και της περιοχής της επιδημίας του ιού της ηπατίτιδας C (HCV), το HCC είναι η κύρια αιτία των θανάτων από καρκίνο στους άνδρες [1]. Η συχνότητα εμφάνισης του ΗΚΚ έχει επίσης αυξηθεί στις δύο Ηνωμένες Πολιτείες και το Ηνωμένο Βασίλειο, τις δύο τελευταίες δεκαετίες [1] – [3]. Η πρόγνωση είναι συνήθως μελαγχολική, και οι μόνοι γνωστοί θεραπευτική θεραπείες είναι χειρουργική, δηλαδή, ηπατική εκτομή ή μεταμόσχευση ήπατος. Επιπλέον, το ποσοστό των ασθενών με τις κατάλληλες ενδείξεις για τη χειρουργική επέμβαση είναι σχετικά μικρό [2]. Τα τελευταία χρόνια, μελέτες της χειρουργικής θεραπείας για HCC και άλλες ασθένειες έχουν προσπαθήσει να αναπτύξουν μοντέλα για την πρόβλεψη χειρουργικής έκβαση [4] – [6]. Ωστόσο, τα μοντέλα πρόβλεψης αποτελέσματος με αποδεκτή ακρίβεια ήταν δύσκολο να αναπτύξουν [7].

Τεχνητά νευρωνικά δίκτυα (ΤΝΔ) είναι σύνθετα και ευέλικτα μη γραμμικών συστημάτων με ιδιότητες που δεν συναντώνται σε άλλα συστήματα μοντελοποίησης. Αυτές οι ιδιότητες περιλαμβάνουν ισχυρή απόδοση στην αντιμετώπιση θορυβώδη ή ελλιπή πρότυπα εισόδου, υψηλή ανοχή σε σφάλματα, και την ικανότητα να γενικεύουν από τα δεδομένα εισόδου [8], [9]. Αν και έχουν αναπτυχθεί πολλές διαφορετικές ΤΝΔ, ένα κοινό χαρακτηριστικό είναι ένα διασυνδεδεμένο ομάδα κόμβων σε πολλαπλά στρώματα, στα οποία οι κόμβοι εισόδου και των κόμβων εξόδου έχουν κλινικοί συσχετισμοί [10]. Κρυφό κόμβους, οι οποίοι συνδέονται με τις εισόδους και τις εξόδους, να επιτρέψει μη γραμμικές αλληλεπιδράσεις μεταξύ των μεταβλητών εισόδου και δεν έχουν πραγματικό κόσμο συσχετίζεται. Οι κόμβοι συνδέονται με δεσμούς, καθένα από τα οποία έχει έναν αντίστοιχο βάρος. Αυτό το δίκτυο έχει «εκπαιδευτεί» από την έκθεση σε εισόδους σε συνδυασμό με τα γνωστά αποτελέσματα, και η μάθηση συμβαίνει όταν τα βάρη μεταξύ των κόμβων τροποποιηθεί σύμφωνα με ανάδραση [8] – [10]. Η υπολογιστική ισχύς ενός ANN προέρχεται από την κατανεμημένη φύση των συνδέσεων. Μόλις ένα μοντέλο εκπαιδεύεται, εξόδους πρόβλεψη μπορεί να παραχθεί από τα νέα αρχεία [8] – [10].

Προηγούμενες συγκρίσεις της λογιστικής παλινδρόμησης (LR) και τα μοντέλα ΤΝΔ για την πρόβλεψη των αποτελεσμάτων της χειρουργικής επέμβασης HCC έχουν δείξει σημαντικές ελλείψεις [ ,,,0],11], [12]. Πρώτον, λίγοι έχουν χρησιμοποιηθεί διαχρονικά δεδομένα για περισσότερα από δύο χρόνια. Δεύτερον, τα στοιχεία που χρησιμοποιήθηκαν στις περισσότερες μελέτες έχουν για τους πληθυσμούς ασθενών HCC στις Ηνωμένες Πολιτείες ή σε Οργανισμό Οικονομικής Συνεργασίας και χώρες Ανάπτυξης (ΟΟΣΑ), η οποία μπορεί να διαφέρουν ουσιωδώς από εκείνες στην Ταϊβάν. Τρίτον, καμία μελέτη δεν έχει θεωρηθεί διαφορές ομάδα σε άλλους παράγοντες όπως η ηλικία, το φύλο και χειρουργική θεραπεία. Τέλος, δεδομένου ότι τα περισσότερα δημοσιευμένα άρθρα συγκρίνοντας την απόδοση των μοντέλων ANN και μοντέλα LR για την πρόβλεψη των αποτελεσμάτων HCC χρησιμοποιείται μόνο ένα σύνολο δεδομένων, το βασικό θέμα της εσωτερικής εγκυρότητας (επαναληψιμότητα) των μοντέλων δεν έχει αντιμετωπιστεί.

Ως εκ τούτου, ο πρωταρχικός στόχος αυτής της μελέτης ήταν να επικυρώσει τη χρήση μοντέλων ΤΝΔ για την πρόβλεψη νοσοκομειακή θνητότητα σε ασθενείς με χειρουργική επέμβαση HCC. Ο δευτερεύων στόχος ήταν να συγκρίνει πρόβλεψη αποτελέσματος μεταξύ ANN και LR μοντέλα.

Υλικά και Μέθοδοι

Δήλωση Ηθικής

Αυτή η μελέτη ανέλυσε τα δεδομένα των διοικητικών απαιτήσεων που προέρχονται από το Προεδρείο Ταϊβάν Εθνικής Ασφάλισης υγείας (BNHI). Επειδή η BNHI είναι ο μόνος πληρωτής στην Ταϊβάν, το σύνολο δεδομένων BNHI ήταν που φέρεται η πιο ολοκληρωμένη και αξιόπιστη πηγή δεδομένων για τη μελέτη. Τα θέματα αυτής της μελέτης είχαν προσληφθεί από την αναθεώρηση μηνιαία στοιχεία απαλλαγή των ασθενών που απελευθερώνεται από την BNHI. Επιπλέον, η βάση δεδομένων περιέχει ένα μητρώο συμβεβλημένων ιατρικών εγκαταστάσεων, ένα μητρώο των γιατρών του πλοίου-πιστοποιηθεί και μηνιαίες περιλήψεις για όλες τις ενδονοσοκομειακή αξιώσεις. Επειδή αυτά ήταν συνολικά δευτερογενή δεδομένα χωρίς προσωπική ταυτοποίηση, η μελέτη αυτή ήταν απαλλάσσονται από την πλήρη αναθεώρηση από το διοικητικό συμβούλιο εσωτερική επανεξέταση. Το πρωτόκολλο της μελέτης συμμορφώνεται με ηθικά πρότυπα σύμφωνα με τη Διακήρυξη του Ελσίνκι που δημοσιεύθηκε το 1964. Επιπλέον, η απαίτηση για συγκατάθεση γραπτή ή προφορική ασθενών για τη μελέτη αυτή σύνδεση δεδομένων παραιτηθεί.

Πληθυσμός μελέτης

το δείγμα της μελέτης περιελάμβανε όλους τους ασθενείς διαγιγνώσκονται με κακόηθες νεόπλασμα του ήπατος και των ενδοηπατικών χοληφόρων οδών (κωδικοί ICD-9-CM 155.XX) κατά τη διάρκεια των ετών 1998-2009 (n = 148.018). Μετά τον αποκλεισμό περιπτώσεις άλλες από εκείνες που είχαν λάβει μερική ηπατεκτομή (ICD-9-CM κωδικό διαδικασίας 50.22) ή του ήπατος λοβεκτομή (ICD-9-CM κωδικό διαδικασίας 50.3), 24.748 περιπτώσεις παρέμεινε. Ασθενείς με δευτερογενή και μη καθορισμένα κακοήθη νεοπλάσματα (κωδικοί ICD-9-CM 196.XX-199.XX), κακόηθες νεόπλασμα των ενδοηπατικών χοληφόρων (κωδικός ICD-9-CM 155,1), ή κακόηθες νεόπλασμα του ήπατος, εκτός από ένα πρωτεύον ή δευτεροβάθμιας νεόπλασμα (κωδικός ICD-9-CM 155,2) επίσης αποκλείεται, η οποία άφησε ένα δείγμα 22.926 επιλέξιμων ατόμων με πρωτοπαθή ηπατική κακοήθεια που είχαν λάβει ηπατεκτομές κατά τη διάρκεια της περιόδου της μελέτης.

πιθανούς συγχυτικούς παράγοντες

τα αναλύονται τα χαρακτηριστικά των ασθενών και τα χαρακτηριστικά του νοσοκομείου του πληθυσμού της μελέτης περιλάμβαναν την ηλικία, το φύλο, την συν-νοσηρότητα, ο όγκος του νοσοκομείου, ο όγκος χειρουργός, διάρκεια παραμονής (LOS), και την επιβίωση σε νοσοκομείο. Συν-νοσηρότητα εκτιμήθηκε χρησιμοποιώντας το δείκτη Charlson συν-νοσηρότητα (ΚΠΕ) [13]. Για κάθε νοσοκομείο ή χειρουργό, ο όγκος HCC ορίστηκε από τον υπολογισμό του ποσοστού των HCC χειρουργικές επεμβάσεις στο σύνολο χειρουργικές επεμβάσεις που εκτελούνται από το αντίστοιχο νοσοκομείο ή χειρουργό κατά τη διάρκεια της περιόδου μελέτης. Συγκεκριμένα, ο όγκος HCC για ένα νοσοκομείο ή χειρουργό κατηγοριοποιήθηκε ως χαμηλής, μέσης, υψηλής και πολύ υψηλής εάν ο αριθμός των HCC χειρουργικές επεμβάσεις που εκτελούνται από το νοσοκομείο ή χειρουργό κατά τη διάρκεια ενός συγκεκριμένου έτους κατά την περίοδο της μελέτης περιελάμβανε & lt? $ & Gt? \\ Raster = «Rg1» & lt? $ & gt? 25%, 26% -50%, 51% ~ 74%, και & lt? $ & gt? \\ raster = «RG2» & lt? $ & gt? 75%, αντίστοιχα, του συνόλου των χειρουργικών επεμβάσεων που εκτελούνται από το νοσοκομείο ή χειρουργό εκείνο το έτος.

Ανάπτυξη του μοντέλου LR

το σύνολο των δεδομένων έγινε τυχαία χωρίζεται σε ένα σύνολο εκπαίδευσης των 18.341 περιπτώσεις (80% του συνολικού σύνολο δεδομένων) και μια δοκιμή σύνολο του 4585 περιπτώσεις (20% του συνολικού σύνολο δεδομένων). Το σύνολο εκπαίδευσης χρησιμοποιείται για την κατασκευή του μοντέλου LR. Την ηλικία, το φύλο, CCI, ο όγκος του νοσοκομείου, ο όγκος χειρουργός και LOS ήταν οι ανεξάρτητες μεταβλητές, και το αποτέλεσμα (θάνατος /επιβίωση) ήταν η εξαρτημένη μεταβλητή. Το μοντέλο LR στη συνέχεια εξετάστηκε χρησιμοποιώντας το σύνολο δεδομένων δοκιμής. Αυτά τα βήματα (τυχαία διαίρεση του συνόλου δεδομένων και της ανάλυσης παλινδρόμησης λαμβάνοντας υπόψη τις ίδιες μεταβλητές) επαναλήφθηκαν 1.000 φορές για να αποκτήσετε 1.000 ζεύγη της κατάρτισης και σύνολα δεδομένων δοκιμών (80% και 20% του αρχικού συνόλου δεδομένων, αντίστοιχα), οι οποίες αποθηκεύονται για περαιτέρω επεξεργασία από την νευρωνικό δίκτυο

Ανάπτυξη του ΤΝΔ μοντέλο

το ΤΝΔ που χρησιμοποιείται σε αυτή τη μελέτη ήταν ένα πρότυπο τροφοδοσίας προς τα εμπρός, πίσω-διάδοσης νευρωνικό δίκτυο με τρεις στρώσεις:. ένα στρώμα εισόδου, ένα κρυφό στρώμα και ένα στρώμα εξόδου. Το δίκτυο πολυστρωματικό perceptron (MLP) είναι μια αναδυόμενη εργαλείο για το σχεδιασμό ειδικών κατηγοριών πολυεπίπεδη δίκτυα εμπρόσθιας τροφοδότησης [14]. στρώμα εισόδου του αποτελείται από κόμβους πηγής, και το στρώμα παραγωγή της αποτελείται από νευρώνες? Αυτά τα δύο στρώματα συνδέουν το δίκτυο με τον έξω κόσμο. Εκτός από αυτά τα δύο στρώματα, το MLP έχει συνήθως ένα ή περισσότερα στρώματα των νευρώνων που αναφέρεται ως κρυφό νευρώνες επειδή δεν είναι άμεσα προσβάσιμα. Οι κρυφές νευρώνες εξάγει σημαντικά χαρακτηριστικά που περιέχονται στα δεδομένα εισόδου.

Ένα MLP είναι συνήθως εκπαιδεύονται από έναν αλγόριθμο back-πολλαπλασιασμού (BP) με την προς τα εμπρός και προς τα πίσω φάσεις [14]. Ο αλγόριθμος εκμάθησης ΒΡ υλοποιείται εύκολα, και η γραμμική πολυπλοκότητα της στις συναπτικές βάρη του δικτύου καθιστά υπολογιστικά αποδοτική. Για βέλτιστη απόδοση της μάθησης, οι νευρώνες ενεργοποιούνται συνήθως με τα δύο αντι-συμμετρική λειτουργίες (π.χ., υπερβολική συνάρτηση εφαπτομένης) και μη-συμμετρική λειτουργίες (π.χ., λογιστική συνάρτηση). Η ακόλουθη τεχνική cross-επικύρωσης χρησιμοποιείται για τη βελτιστοποίηση του χρόνου, όταν ένα MLP προπόνηση του δικτύου «σταματά». Κατ ‘αρχάς, μία εκτίμηση υποσύνολο από τα παραδείγματα που χρησιμοποιούνται για την κατάρτιση μοντέλου, και μία επικύρωση υποσύνολο χρησιμοποιείται για την αξιολόγηση της απόδοσης του μοντέλου. Το νευρωνικό δίκτυο έχει βελτιστοποιηθεί χρησιμοποιώντας ένα σύνολο δεδομένων εκπαίδευσης. Ένα ξεχωριστό σύνολο δεδομένων δοκιμής που χρησιμοποιούνται για την ανάσχεση της κατάρτισης για την άμβλυνση υπερ-τοποθέτηση. Ο κύκλος εκπαίδευσης επαναλαμβάνεται έως ότου το σφάλμα της δοκιμής δεν είναι πλέον μειώνεται [15], [16].

Η

Η στατιστική ανάλυση

Η μονάδα ανάλυσης σε αυτή τη μελέτη ήταν η ατομική HCC χειρουργικού ασθενούς. Η ανάλυση των δεδομένων πραγματοποιήθηκε σε διάφορα στάδια. Πρώτον, συνεχείς μεταβλητές δοκιμάστηκαν για στατιστική σημαντικότητα με μονόδρομη ανάλυση διακύμανσης (ANOVA) και τις μεταβλητές κατηγοριών ελέγχθηκαν με Fisher exact ανάλυση. Μονοπαραγοντική αναλύσεις για τον εντοπισμό σημαντικοί προγνωστικοί (p & lt? 0,05). Δεύτερον, η διακριτική εξουσία των μοντέλων αναλύθηκε χρησιμοποιώντας περιοχή κάτω από το δέκτη λειτουργεί χαρακτηριστικές καμπύλες (AUROCs). Εδώ, διακριτική εξουσία αναφέρεται στην ικανότητα ενός μοντέλου να διακρίνει εκείνους που έχασαν τη ζωή τους από αυτούς που επέζησαν. Ένα απόλυτα διακριτική μοντέλο θα εκχωρήσετε μια μεγαλύτερη πιθανότητα θανάτου σε ασθενείς που έχασαν τη ζωή τους από ό, τι στους ασθενείς που επέζησαν. Τρίτον, η σχετική βαθμονόμηση των μοντέλων συγκρίθηκε χρησιμοποιώντας το Hosmer-Lemeshow (H-L) στατιστική για να μελετήσει την προγνωστική ακρίβεια των μοντέλων σε όλο το εύρος της σοβαρότητας. Η H-L στατιστική είναι μια ενιαία περίληψη μέτρο της βαθμονόμησης και βασίζεται στη σύγκριση των παρατηρούμενων και των κατ ‘εκτίμηση θνησιμότητα σε ασθενείς που ομαδοποιούνται από την εκτιμώμενη θνησιμότητα [17]. Όσο χαμηλότερο είναι το H-L στατιστική, τόσο καλύτερη είναι η προσαρμογή. Ως εκ τούτου, μια τέλεια βαθμονομημένο μοντέλο θα πρέπει να έχουν αξία H-L μηδέν. Τέλος, η ανάλυση ευαισθησίας πραγματοποιήθηκε για να αξιολογηθεί η σημασία των μεταβλητών στις εντοιχισμένη μοντέλα. Για να απλοποιηθεί η διαδικασία της κατάρτισης, βασικές μεταβλητές εισήχθησαν, και αποκλείστηκαν περιττές μεταβλητές. Μια ανάλυση ευαισθησίας πραγματοποιήθηκε επίσης να αξιολογηθεί η σχετική σημασία των παραμέτρων εισαγωγής στο μοντέλο του συστήματος και να βαθμολογήσουν την σημασία των μεταβλητών. Η παγκόσμια ευαισθησία των μεταβλητών εισόδου έναντι της μεταβλητής εξόδου εκφράστηκε ως ο λόγος του σφάλματος του δικτύου (άθροισμα των τετραγώνων των υπολειμμάτων) με ένα δεδομένο εισόδου παραλείπεται στο σφάλμα δικτύου με συμπεριλαμβάνεται η είσοδος. Μια αναλογία 1 ή χαμηλότερα δείχνει ότι η μεταβλητή μειώνει την απόδοση του δικτύου και θα πρέπει να αφαιρεθεί

X

1, την ηλικία.? X

2, το φύλο? X

3, Charlson δείκτη συννοσηρότητας? X

4, όγκος νοσοκομείο? X

5, όγκος χειρουργό? X

6, διάρκεια της διαμονής? ΙΒ, είσοδος πόλωσης στρώμα? HB, κρυμμένο προκατάληψη στρώμα.

Η

Για κάθε 1000 ζεύγη μοντέλα ANN και μοντέλα LR (εκπαιδεύονται και δοκιμάζονται στα ίδια σύνολα δεδομένων) οι δείκτες αυτοί (ποσοστό ακρίβειας, AUROC, και HL στατιστική) υπολογίστηκαν και συγκρίθηκαν χρησιμοποιώντας ζεύγη T-tests

το λογισμικό δΤΑΤΙδΤΙΟΑ 10.0 (StatSoft, Tulsa, OK) χρησιμοποιήθηκε για την κατασκευή των μοντέλων ANN και τα μοντέλα LR της σχέσης μεταξύ των εντοπίζονται προγνωστικοί παράγοντες και επιλεγμένα σημαντικές μεταβλητές (p & lt? 0,05)..

Αποτελέσματα

Ο Πίνακας 1 δείχνει τα χαρακτηριστικά του ασθενούς και τα χαρακτηριστικά του νοσοκομείου της μελέτης. Η μέση ηλικία του πληθυσμού της μελέτης ήταν 58,6 χρόνια (τυπική απόκλιση 12,7) και 73,7% των ασθενών ήταν άνδρες. Το συνολικό ποσοστό θνησιμότητας σε νοσοκομείο ήταν 97,3%. Η μέση ΚΠΕ στον πληθυσμό της μελέτης ήταν 3,6 (τυπική απόκλιση 1,6). Ο Πίνακας 2 παρουσιάζει τους συντελεστές για την ενδονοσοκομειακή θνησιμότητα που λαμβάνονται για την εκπαίδευση που στο μοντέλο LR. Ενδονοσοκομειακή θνησιμότητα είχε σημαντική αρνητική συσχέτιση με την ηλικία, το άρρεν φύλο, ΚΠΕ και LOS (p & lt? 0,05), αλλά μια σημαντική θετική συσχέτιση με τον όγκο του νοσοκομείου και τον όγκο χειρουργό (p & lt? 0,05).

Η ANN-based προσεγγίσεις που χρησιμοποιούνται δίκτυα 3-layer και τα σχετικά βάρη των νευρώνων να προβλέψει τη θνησιμότητα σε νοσοκομείο. Το μοντέλο MLP περιλαμβάνονται 6 εισόδους (δηλαδή, την ηλικία, το φύλο, CCI, ο όγκος του νοσοκομείου, ο όγκος χειρουργός, και LOS), 1 προκατάληψη νευρώνων στο στρώμα εισόδου, 3 κρυμμένα νευρώνες, 1 προκατάληψη νευρώνων στο κρυφό στρώμα, και 1 νευρώνα εξόδου ( Φιγούρα 1). Οι λειτουργίες ενεργοποίησης της εφοδιαστικής σιγμοειδές και υπερβολική εφαπτομένη που χρησιμοποιούνται σε κάθε νευρώνα του κρυφού στρώματος και του στρώματος εξόδου, αντίστοιχα.

Ο Πίνακας 3 δείχνει ότι ANN ξεπέρασε σημαντικά LR όσον αφορά τις διακρίσεις, τη βαθμονόμηση, και την ακρίβεια (το σημείο αποκοπής 0.5). Σε σύγκριση με το LR, ANN είχε μια ανώτερη ποσοστό ακρίβειας σε 97,28% των περιπτώσεων, μια ανώτερη HL στατιστικό στοιχείο στο 41,18% των περιπτώσεων, και μια ανώτερη AUROC στο 84,67% των περιπτώσεων.

Η

Το σύνολο των στοιχείων κατάρτισης χρησιμοποιούνται επίσης για τον υπολογισμό των μεταβλητών αναλογιών ευαισθησίας (VSR) για το μοντέλο ANN. Ο Πίνακας 4 δείχνει τις τιμές VSR για την (νοσοκομειακή θνητότητα) μεταβλητή έκβασης σε σχέση με το φύλο, την ηλικία, CCI, ο όγκος του νοσοκομείου, ο όγκος χειρουργό και LOS. Στο μοντέλο ΤΝΔ, ο όγκος χειρουργός ήταν η μεγαλύτερη επιρροή (ευαίσθητα) παράμετρος που επηρεάζει τη θνησιμότητα σε νοσοκομείο που ακολουθείται από την ηλικία και την LOS. Όλες οι τιμές VSR ξεπέρασε το 1, η οποία έδειξε ότι το δίκτυο εκτελείται καλύτερα όταν εξετάστηκαν όλες οι μεταβλητές.

Η

Ο Πίνακας 5 συγκρίνει το μοντέλο ANN και το μοντέλο LR όσον αφορά την ευαισθησία, ειδικότητα, θετική προγνωστική αξία (PPV) , αρνητική προγνωστική αξία (NPV), ποσοστό ακρίβειας, και AUROC. Μαζί, αυτές οι τιμές επιβεβαίωσε ότι το μοντέλο ANN είχε ανώτερη ευαισθησία (78,40% έναντι 62,64%), η ειδικότητα (94,57% έναντι 91,92%), PPV (84.22% έναντι 76,65%), NPV (96,91% έναντι 87,18%), ποσοστό ακρίβειας ( 95,93% έναντι 84,47%) και AUROC (0,82 έναντι 0,73).

Η

Συζήτηση

Η σύγκριση των μοντέλων πρόβλεψης στην παρούσα μελέτη έδειξε ότι η ακρίβεια στην πρόβλεψη νοσοκομειακή θνητότητα ήταν σημαντικά υψηλότερη στο μοντέλο ANN ό, τι στο μοντέλο LR (ρ & lt? 0.001). Για τις γνώσεις μας, αυτή η μελέτη είναι η πρώτη που χρησιμοποιεί μια πανεθνική βάση δεδομένων με βάση τον πληθυσμό να εκπαιδεύσει και να δοκιμάσει ένα νευρωνικό δίκτυο για την πρόβλεψη HCC χειρουργική έκβαση. Το νευρωνικό δίκτυο μοντέλο συγκρίθηκε με τα πραγματικά αποτελέσματα και με ένα μοντέλο LR κατασκευαστεί χρησιμοποιώντας πανομοιότυπα εισόδους. Λαμβάνοντας υπόψη ένα περιορισμένο αριθμό κλινικών εισόδων και ένα ειδικό μέτρο έκβασης, το μοντέλο ANN ξεπέρασε σταθερά το μοντέλο LR.

Ενώ άλλα μοντέλα πρόβλεψης έχουν χρησιμοποιηθεί στοιχεία για ένα ενιαίο ιατρικό κέντρο, το μοντέλο πρόβλεψης σε αυτή τη μελέτη κατασκευάστηκε χρησιμοποιώντας εθνικά στοιχεία μητρώου από την Ταϊβάν BNHI. Ως εκ τούτου, δίνει μια καλύτερη εικόνα της τρέχουσας αποτελέσματα της χειρουργικής επέμβασης HCC σε μια περιοχή επιδημία HBV και HCV. Σε σύγκριση με τα δεδομένα που λαμβάνονται από μελέτες σειρά single-κέντρο, τα δεδομένα από μελέτες μητρώο παρέχει μια καλύτερη επισκόπηση των πρακτικών σε μεγάλους πληθυσμούς, αποφεύγοντας προκαταλήψεις παραπομπή ή προκατάληψη αντικατοπτρίζει τις πρακτικές μεμονωμένων χειρουργούς ή ιδρύματα [18], [19].

Επειδή ΤΝΔ χρησιμοποιήσετε μια δυναμική προσέγγιση στην ανάλυση του κινδύνου θνησιμότητας, μπορούν να τροποποιήσουν την εσωτερική τους δομή σε σχέση με ένα λειτουργικό στόχο με υπολογισμούς από κάτω προς τα πάνω (δηλαδή, με τη χρήση των δεδομένων τους εαυτούς τους για να δημιουργηθεί το μοντέλο). Παρόλο που δεν μπορεί να ασχοληθεί με δεδομένα που λείπουν, ΤΝΔ μπορεί να χειριστεί ταυτόχρονα πολλές μεταβλητές με την κατασκευή μοντέλων με αναφορά σε ακραίες τιμές και μη γραμμικών αλληλεπιδράσεων μεταξύ των μεταβλητών [8] – [10]. Λαμβάνοντας υπόψη τις συμβατικές στατιστικές μέθοδοι αποκαλύπτουν τις παραμέτρους που είναι σημαντικές μόνο για το συνολικό πληθυσμό, ΤΝΔ περιλαμβάνουν παραμέτρους που είναι σημαντικές σε ατομικό επίπεδο, ακόμη και αν δεν είναι σημαντική για το γενικό πληθυσμό. Σε αντίθεση με άλλες τυπικές στατιστικές δοκιμές, ΤΝΔ μπορούν επίσης να διαχειριστεί την πολυπλοκότητα, ακόμη και όταν το μέγεθος του δείγματος είναι μικρό, ακόμη και όταν η αναλογία μεταξύ των μεταβλητών και τα αρχεία δεν είναι ισορροπημένη [8] – [10]. Δηλαδή, ΤΝΔ αποφευχθεί το πρόβλημα διάσταση. Η μεγάλη και ομοιογενή σύνολο δεδομένων σε αυτή τη μελέτη να ενεργοποιήσετε την ισχυρή εκπαίδευση του δικτύου, διότι όλες οι κλινικές μεταβλητές είχαν δείξει πιθανές επιπτώσεις στη θνησιμότητα σε προηγούμενα μοντέλα LR [7], [20].

Chen et al. έδειξε ότι ANN σε συνδυασμό με γενετικό αλγόριθμο μπορεί να εντοπίσει κλινικά σημαντικές μεταβλητές και δεν μπορεί να προβλέψει με ακρίβεια τις συγκεντρώσεις της tacrolimus στο αίμα σε ασθενείς με μεταμόσχευση ήπατος [21]. Σε μια σύγκριση των ΤΝΔ και LR μοντέλα για την πρόβλεψη της κίρρωσης σε ασθενείς με χρόνια ηπατίτιδα C, CAZZANIGA et al. επίσης έδειξαν ότι τα ΤΝΔ ήταν ελαφρώς πιο ακριβή και πιο αναπαραγώγιμο [20]. Πρόσφατα, Cucchetti et al έδειξαν ότι ANN είναι πιο ακριβή από ό, τι τα συμβατικά LR για τον εντοπισμό βαθμό όγκου HCC και μικροσκοπική αγγειακή εισβολή που βασίζεται στην προεγχειρητική μεταβλητές και είναι προτιμότερο να LR για την προσαρμογή κλινική διαχείριση [5].

Η προσέγγιση ANN αναπτυχθεί σε αυτή τη μελέτη επεκτείνει την προγνωστική γκάμα του μοντέλου LR αντικαθιστώντας λειτουργίες ταυτότητας με λειτουργίες μη γραμμικής ενεργοποίησης. Η προσέγγιση είναι προφανώς ανώτερη από γραμμικής παλινδρόμησης για τα συστήματα που περιγράφει. Τα ΤΝΔ μπορεί να εκπαιδευτεί με τα δεδομένα που αποκτήθηκαν σε διάφορες κλινικές καταστάσεις και να εξετάσει την τοπική τεχνογνωσία, φυλετικές διαφορές, και άλλες μεταβλητές με αβέβαιες συνέπειες για την κλινική έκβαση [8] – [10]. Η ανάλυση δεν περιορίζεται σε κλινικές παραμέτρους. Άλλες μεταβλητές μπορεί να δοκιμαστεί για χρήση στη βελτίωση της προγνωστική ακρίβεια του μοντέλου. Η προτεινόμενη αρχιτεκτονική ANN μπορεί επίσης να περιλαμβάνει περισσότερες από μία εξαρτημένη μεταβλητή και μπορεί να εκτελέσει μια μη-γραμμικό μετασχηματισμό μεταξύ εξαρτημένες μεταβλητές. Μελλοντικές μελέτες μπορεί να αξιολογήσει πόσο άλλος ασθενής χαρακτηριστικά ή κλινικά χαρακτηριστικά επηρεάζουν την προτεινόμενη αρχιτεκτονική.

Σε όλη αυτή την πανεθνική μελέτη βασισμένη στον πληθυσμό, η καλύτερη ενιαία προγνωστικός δείκτης της ενδονοσοκομειακής θνησιμότητας ήταν όγκο χειρουργό, η οποία ήταν σύμφωνη με τα αποτελέσματα της άλλες εκθέσεις ότι οι χειρουργοί υψηλού όγκου επίτευξη σταθερά ανώτερη αποτελέσματα της ηπατεκτομή για ΗΚΚ [22], [23]. Ως εκ τούτου, οι στρατηγικές θεραπείας τους θα πρέπει να αναλυθούν και παράδειγμα προς μίμηση προσεκτικά. Αν νοσοκομειακή θνητότητα θεωρείται σημείο αναφοράς, ο όγκος χειρουργού, η οποία αποτελεί ένα σημαντικό προγνωστικό παράγοντα της μετεγχειρητικής έκβασης, είναι ζωτικής σημασίας. Σαφώς, τα αποτελέσματα των χειρουργικών επεμβάσεων εξαρτώνται όχι μόνο από τη διαχείριση του ασθενούς, αλλά επίσης από την ικανότητα και την εμπειρία των επιμέρους χειρουργών. Εν τω μεταξύ, οι χειρουργοί υψηλού όγκου σε νοσοκομεία υψηλού όγκου είναι πιο πιθανό να επιτύχουν καλά αποτελέσματα ασθενή επειδή επικουρείται από εξειδικευμένο και διεπιστημονική φροντίδα των ομάδων [22], [23].

Αυτή η μελέτη έχει αρκετούς περιορισμούς που είναι εγγενείς σε κάθε μεγάλη ανάλυση της βάσης δεδομένων. Πρώτον, η κλινική εικόνα που λαμβάνεται στην παρούσα ανάλυση των δεδομένων αξιώσεις δεν είναι τόσο ακριβής όπως εκείνη του μια προοπτική ανάλυση των δεδομένων κλινικής δοκιμής λόγω πιθανών λαθών όσον αφορά την κωδικοποίηση των πρωτογενών διαγνώσεις και χειρουργικές λεπτομέρειες. Δεύτερον, οι επιπλοκές που σχετίζονται με χειρουργικές επεμβάσεις HCC δεν αξιολογήθηκαν, η οποία περιορίζει την εγκυρότητα της σύγκρισης. Τέλος, μόνο LR και τα μοντέλα ΤΝΔ χρησιμοποιήθηκαν για την πρόβλεψη της θνησιμότητας σε νοσοκομείο μετά την επέμβαση HCC. Η βάση δεδομένων δεν θα μπορούσε να χρησιμοποιηθεί για να προβλέψει άλλα αποτελέσματα, όπως η ποιότητα ζωής του ασθενούς, ανέφερε. Ωστόσο, με δεδομένη την ισχυρή μέγεθος των επιπτώσεων και η στατιστική σημαντικότητα των επιδράσεων που παρατηρήθηκαν στη μελέτη αυτή, οι περιορισμοί αυτοί δεν είναι πιθανό να θέσει σε κίνδυνο τα αποτελέσματα.

Εν κατακλείδι, σε σύγκριση με το συμβατικό LR μοντέλο, το μοντέλο ANN στην Αυτή η μελέτη ήταν πιο ακριβείς στην πρόβλεψη νοσοκομειακή θνητότητα και είχαν υψηλότερη συνολική δείκτες απόδοσης. Η παγκόσμια ανάλυση ευαισθησίας έδειξε επίσης ότι ο όγκος χειρουργός ήταν ο καλύτερος προγνωστικός δείκτης της ενδονοσοκομειακής θνησιμότητας μετά την επέμβαση HCC. Οι προγνωστικοί παράγοντες που αναλύονται στην παρούσα μελέτη θα μπορούσε να αντιμετωπιστεί από τους επαγγελματίες του τομέα της υγείας κατά τη διάρκεια της προεγχειρητικής και μετεγχειρητικής διαβουλεύσεις της υγειονομικής περίθαλψης με τους υποψηφίους για HCC χειρουργική επέμβαση για να τους εκπαιδεύσει στην αναμενόμενη πορεία των αποτελεσμάτων ανάκτησης και της υγείας. Περαιτέρω μελέτες αυτού του μοντέλου μπορεί να εξετάσει την επίδραση ενός πιο λεπτομερή βάση δεδομένων που περιλαμβάνει τις επιπλοκές και τα ευρήματα κλινικής εξέτασης, καθώς και πιο λεπτομερή στοιχεία αποτέλεσμα. Ας ελπίσουμε ότι, το μοντέλο θα εξελιχθεί σε ένα αποτελεσματικό βοηθητικό εργαλείο λήψης κλινικών αποφάσεων.