Construction of a machine learning-based prediction model for intraoperative acquired pressure injury in children undergoing neurosurgery

ملخص تقني: بناء نموذج تنبؤي قائم على تعلم الآلة لإصابات الضغط المكتسبة أثناء الجراحة لدى الأطفال الذين يخضعون لجراحة الأعصاب

بيان المشكلة
تعد إصابات الضغط المكتسبة أثناء الجراحة (IAPI) من المضاعفات المتكررة والخطيرة بين الأطفال الذين يخضعون لجراحة الأعزاء. ونظرًا للطبيعة الدقيقة لهذه الإجراءات، فإن الحاجة إلى الوضعيات القسرية، واستخدام الأدوات التي تسبب ضغطًا موضعيًا على الأنسجة، وفترات الراحة الطويلة في الفراش بعد الجراحة، تجعل المرضى من الأطفال عرضة لمخاطر مرتفقة. وبينما حددت الدراسات السابقة معدل حدوث يبلغ حوالي 11.5% في حالات جراحة الأعصاب لدى الأطفال، إلا أن عوامل الخطر المحددة لهذه الفئة لا تزال غير مفهومة بشكل كامل. علاوة على ذلك، أظهرت أدوات التنبؤ الحالية، مثل المخطط البياني (nomogram) الذي تم تطويره سابقًا، كفاءة تنبؤية متوسطة فقط (c-index = 0.79). وحتى الآن، لم تنشر أي دراسة استخدام تقنيات تعلم الآلة (ML) لبناء نموذج تنبؤي لـ IAPI في الأطفال الذين يخضعون لجراحة الأعصاب.

المنهجية
استخدمت هذه الدراسة الاسترجاعية بيانات سريرية لـ 776 طفلًا (أعمارهم ≤ 18 عامًا) خضعوا لجراحة الأعصاب في مستشفى أطفال تخصصي في تشونغتشينغ بين يناير ويونيو 2023. التزمت الدراسة بمبدأ (10 أحداث لكل متغير - EPV) لحساب حجم العينة، حيث شملت في النهاية 14 عامل خطر محتمل.

• جمع البيانات ومعالجتها مسبقًا: شملت البيانات المعلومات الديموغرافية، والقيم المختبرية قبل الجراحة (الهيموجلوبين، الهيماتوكريت، مؤشر كتلة الجسم، ودرجة برادن Q)، والمتغيرات أثناء الجراحة (تصنيف ASA، وضعية الجراحة، مدة العملية/التخدير، فقدان الدم، استخدام الأدوات القوية، وانخفاض درجة حرارة الجسم). تم تشخيص IAPI وفقًا لمعايير NPUAP لعام 2019.
• اختيار الميزات: تم استخدام انحدار (LASSO) لتصفية المتغيرات وتقليل الأبعاد، مما أدى إلى اختيار 13 ميزة ذات معاملات غير صفرية.
• بناء النموذج: تم تقسيم مجموعة البيانات إلى مجموعة تدريب (70%) ومجموعة تحقق (30%). تم تنفيذ تسعة خوارزميات لتعلم الآلة وهي: الانحدار اللوجستي (LR)، الغابة العشوائية (RF)، الشبكة العصبية (NNET)، تعزيز التدرج الشديد (XGBoost)، آلة تعزيز التدرج (GBM)، آلة ناقلات الدعم (SVM)، ناييف بايز (NB)، أقرب الجيران (KNN)، وشجرة القرار (DT).
• التحسين والتحقق: تم ضبط النماذج باستخدام التحقق المتقاطع بعشر طيات (ten-fold cross-validation) والبحث الشبكي (grid search) على مجموعة التدريب. تم تقييم الأداء باستخدام المساحة تحت منحنى خصائص تشغيل المستقبِل (AUC)، والحساسية، والنوعية، والدقة، ودرجة F1، وتحليل منحنى القرار (DCA).
• القابلية للتفسير: تم تحليل النموذج الأمثل باستخدام تفسيرات شابلي الإضافية (SHAP) لتصور أهمية الميزات وتوضيح عملية اتخاذ القرار.

النتائج الرئيسية

• معدل الحدوث: بلغ معدل حدوث IAPI الملحوظ في المجموعة 7.9% (62/776). كانت غالبية الإصابات من الدرجة الأولى (95.16%)، وكانت الخد والجبين والصدغ هي المواقع الأكثر شيوعًا.
• اختيار الميزات: حدد انحدار LASSO 13 متنبئًا رئيسيًا، بما في ذلك العمر، الجنس، درجة برادن Q، الهيماتوكريت قبل الجراحة، فقدان الدم أثناء الجراحة، وقت العملية، وقت التخدير، وضعية الجراحة، استخدام الأدوات القوية، تصنيف ASA، نوع الجراحة، ومؤشر كتلة الجسم.
• أداء النموذج: أظهر نموذج XGBoost الأداء الأكثر استقرارًا والأمثل من بين الخوارزميات التسعة.
  • مقاييس مجموعة التحقق: حقق XGBoost مساحة تحت المنحنى (AUC) قدرها 0.7325، مع حساسية بلغت 0.8889، ونوعية بلغت 0.4813، ودقة بلغت 0.126، ودرجة F1 بلغت 0.2207.
  • المقارنة: بينما أظهر نموذج XGBoost AUC أقل قليلاً مقارنة بنموذج المخطط البياني السابق للمؤلفين (0.79)، إلا أنه أظهر حساسية أعلى. وأشار تحليل منحنى القرار (DCA) إلى أن XGBoost قدم أكبر فائدة سريرية صافية في مجموعة التحقق.
• تحليل عوامل الخطر: حدد تصور SHAP أهم ستة عوامل خطر تقود تنبؤات النموذج: فقدان الدم أثناء الجراحة، وضعية الجراحة، عمر المريض، مدة العملية، مدة التخدير، واستخدام القوة الخارجية (مثل المثاقب أو أدوات الطحن).

المساهمات الرئيسية

1. تطبيق جديد لتعلم الآلة: تبني هذه الدراسة نموذج تنبؤ لـ IAPI قائم على تعلم الآلة للأطفال الذين يخضعون لجراحة الأعزاء، مما يعالج فجوة حيث لم يتم الإبلاغ عن مثل هذا النموذج من قبل.
2. المقارنة الخوارزمية: تقارن الدراسة بشكل منهجي بين تسع خوارزميات مختلفة لتعلم الآلة، وتحدد XGBoost كنموذج متفوق لهذا السياق السريري المحدد.
3. القابلية للتفسير: من خلال دمج تحليل SHAP، تتجاوز الدراسة مفهوم "الصندوق الأسود" للتنبؤات، حيث توفر تصورًا شفافًا لكيفية تأثير المؤشرات السريرية المحددة (مثل فقدان الدم ووضعية الجراحة) على خطر الإصابة.
4. إعادة تقييم عوامل الخطر: تعيد الدراسة تقييم عوامل الخطر، مؤكدة أهمية فقدان الدم أثناء الجراحة واستخدام الأدوات القوية، والتي لم تكن بارزة بنفس القدر في النماذج السابقة غير القائمة على تعلم الآلة.

الأهمية والادعاءات
يزعم المؤلفون أن نموذج التنبؤ المبني على XGBoost يمتلك "قدرة تنبؤية معينة". تكمن الأهمية الأساسية لهذا العمل في إمكانية مساعدة الممرضين السريريين في التحديد المبكر لمرضى الأطفال عالي المخاطر في جراحة الأعصاب. ومن خلال الاستفادة من هذا النموذج، يمكن لمقدمي الرعاية الصحية اتخاذ تدابير وقائية مخصصة في مرحلة مبكرة من مسار الرعاية. وتؤكد الدراسة أنه بينما لا يعد النموذج بديلًا مثاليًا للحكم السريري، فإنه يوفر أساسًا علميًا للفحص ويساعد في تبسيط عملية التقييم من خلال تسليط الضوء على أكثر عوامل الخطر أهمية، مما قد يؤدي إلى تقليل وقت التقييم وتحسين دقة استراتيجيات الوقاية من IAPI. ويظل المؤلفون متواضعين بشأن إمكانية تعميم النموذج، مشيرين إلى قيود مثل الطبيعة الاسترجاعية للبيانات، وغياب التحقق الخارجي، والحاجة إلى استكشاف التفاعلات بين عوامل الخطر في الدراسات المستقبلية.