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

Sintesi Tecnica: Costruzione di un modello di previsione basato sul Machine Learning per le lesioni da pressione acquisite intraoperatorie nei bambini sottoposti a neurochirurgia

Definizione del problema
La lesione da pressione acquisita intraoperatoria (IAPI) è una complicazione frequente e grave tra i bambini sottoposti a neurochirurgia. A causa della natura delicata di queste procedure, della necessità di posizionamento forzato, dell'uso di strumenti che causano compressione tissutale locale e del prolungato riposo postoperatorio a letto, i pazienti pediatrici affrontano rischi elevati. Sebbene studi precedenti abbiano identificato un tasso di incidenza di circa l'11,5% nei bambini neurochirurgici, i fattori di rischio specifici per questa popolazione rimangono non completamente compresi. Inoltre, gli strumenti di previsione esistenti, come un nomogramma sviluppato in precedenza, hanno dimostrato solo una moderata efficacia predittiva (c-index = 0,79). Ad oggi, nessun lavoro ha riportato l'uso di tecniche di machine learning (ML) per costruire un modello di previsione per l'IAPI nei bambini neurochirurgici.

Metodologia
Questo studio retrospettivo ha utilizzato dati clinici di 776 bambini (età ≤18 anni) che sono stati sottoposti a neurochirurgia presso un ospedale pediatrico di terzo livello a Chongqing tra gennaio e giugno 2023. Lo studio ha aderito al principio di 10 eventi per variabile (EPV) per il calcolo della dimensione del campione, includendo infine 14 potenziali fattori di rischio.

• Raccolta dati e pre-elaborazione: I dati includevano informazioni demografiche, valori di laboratorio preoperatori (emoglobina, ematocrito, BMI, punteggio Braden Q) e variabili intraoperatorie (classificazione ASA, posizione chirurgica, durata dell'operazione/anestesia, perdita di sangue, uso di strumenti elettrici e ipotermia). L'IAPI è stata diagnosticata secondo gli standard NPUAP del 2019.
• Selezione delle caratteristiche: La regressione Least Absolute Shrinkage and Selection Operator (LASSO) è stata impiegata per filtrare le variabili e ridurre la dimensionalità, selezionando 13 caratteristiche con coefficienti non nulli.
• Costruzione del modello: Il dataset è stato suddiviso in un set di addestramento (70%) e un set di validazione (30%). Sono stati implementati nove algoritmi di machine learning: Regressione Logistica (LR), Random Forest (RF), Rete Neurale (NNET), Extreme Gradient Boosting (XGBoost), Gradient Boosting Machine (GBM), Support Vector Machine (SVM), Naive Bayes (NB), K-Nearest Neighbors (KNN) e Decision Tree (DT).
• Ottimizzazione e validazione: I modelli sono stati ottimizzati tramite cross-validazione a dieci pieghe (ten-fold cross-validation) e ricerca a griglia (grid search) sul set di addestramento. Le prestazioni sono state valutate utilizzando l'Area Sotto la Curva ROC (AUC), sensibilità, specificità, precisione, punteggio F1 e l'Analisi della Curva Decisionale (DCA).
• Interpretabilità: Il modello ottimale è stato analizzato utilizzando SHapley Additive exPlanations (SHAP) per visualizzare l'importanza delle caratteristiche e spiegare il processo decisionale.

Risultati Chiave

• Incidenza: L'incidenza osservata di IAPI nella coorte è stata del 7,9% (62/776). La maggior parte delle lesioni era di Stadio I (95,16%), con guancia, fronte e tempia come siti più comuni.
• Selezione delle caratteristiche: La regressione LASSO ha identificato 13 predittori chiave, tra cui età, sesso, punteggio Braden Q, ematocrito preoperatorio, perdita di sangue intraoperatoria, tempo operatorio, tempo di anestesia, posizione chirurgica, uso di strumenti elettrici, classificazione ASA, tipo di intervento chirurgico e BMI.
• Prestazioni del modello: Tra i nove algoritmi, il modello XGBoost ha dimostrato la prestazione più stabile e ottimale.
  • Metriche del set di validazione: XGBoost ha ottenuto un AUC di 0,7325, con una sensibilità di 0,8889, specificità di 0,4813, precisione di 0,126 e un punteggio F1 di 0,2207.
  • Confronto: Sebbene il modello XGBoost abbia mostrato un AUC leggermente inferiore rispetto al precedente modello a nomogramma degli autori (0,79), ha dimostrato una sensibilità maggiore. L'Analisi della Curva Decisionale ha indicato che XGBoost ha fornito il maggior beneficio clinico netto nel set di validazione.
• Analisi dei fattori di rischio: La visualizzazione SHAP ha identificato i sei principali fattori di rischio che guidano le previsioni del modello: perdita di sangue intraoperatoria, posizione chirurgica, età del paziente, durata dell'operazione, durata dell'anestesia e l'uso di forze esterne (ad esempio, trapani/fresatrici).

Contributi Chiave

1. Nuova applicazione del ML: Questo studio costruisce un modello di previsione basato sul machine learning per l'IAPI nei bambini sottoposti a neurochirurgia, colmando una lacuna per la quale non era stato precedentemente riportato alcun modello simile.
2. Confronto algoritmico: Confronta sistematicamente nove distinti algoritmi di machine learning, identificando XGBoost come il modello superiore per questo specifico contesto clinico.
3. Interpretabilità: Integrando l'analisi SHAP, lo studio va oltre le previsioni "black box", fornendo una visualizzazione trasparente di come indicatori clinici specifici (come la perdita di sangue e la posizione chirurgica) influenzino il rischio di lesione.
4. Raffinatezza dei fattori di rischio: Lo studio rivaluta i fattori di rischio, confermando la significatività della perdita di sangue intraoperatoria e dell'uso di strumenti elettrici, che non erano evidenziati con la stessa rilevanza nei precedenti modelli non basati su ML.

Significatività e Rivendicazioni
Gli autori affermano che il modello di previsione costruito basato su XGBoost possiede una "determinata efficacia predittiva". La principale significatività di questo lavoro risiede nel suo potenziale di assistere gli infermieri clinici nell'identificazione precoce dei pazienti pediatrici neurochirurgici ad alto rischio. Sfruttando questo modello, gli operatori sanitari possono adottare misure preventive personalizzate in una fase più precoce del percorso di cura. Lo studio sottolinea che, sebbene il modello non sia un sostituto perfetto del giudizio clinico, offre una base scientifica per lo screening e aiuta a snellire il processo di valutazione, evidenziando i fattori di rischio più critici, contribuendo così potenzialmente a ridurre i tempi di valutazione e a migliorare l'accuratezza delle strategie di prevenzione dell'IAPI. Gli autori rimangono modesti riguardo alla generalizzabilità del modello, segnalando limitazioni quali la natura retrospettiva dei dati, la mancanza di validazione esterna e la necessità di esplorare le interazioni tra i fattori di rischio in studi futuri.