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

Technische Samenvatting: Constructie van een Machine Learning-gebaseerd Voorspellingsmodel voor Intraoperatieve Verworven Drukplekken bij Kinderen die Neurochirurgie Ondergaan

Probleemstelling
Intraoperatieve verworven drukplekken (IAPI) zijn een frequente en ernstige complicatie bij kinderen die neurochirurgie ondergaan. Vanwege de delicate aard van deze procedures, de noodzaak voor geforceerde positionering, het gebruik van instrumenten die lokale weefselcompressie veroorzaken en verlengde postoperatieve bedrust, lopen pediatrische patiënten een verhoogd risico. Hoewel eerdere studies een incidentiecijfer van ongeveer 11,5% bij neurochirurgische kinderen hebben geïdentificeerd, blijven de specifieke risicofactoren voor deze populatie onvolledig begrepen. Bovendien vertoonden bestaande voorspellingsinstrumenten, zoals een eerder ontwikkeld nomogram, slechts een matige voorspellende effectiviteit (c-index = 0,79). Tot op heden heeft geen enkele studie gerapporteerd gebruik te hebben gemaakt van machine learning (ML)-technieken voor de constructie van een voorspellingsmodel voor IAPI bij neurochirurgische kinderen.

Methodologie
Deze retrospectieve studie maakte gebruik van klinische gegevens van 776 kinderen (leeftijd ≤18 jaar) die tussen januari en juni 2023 een neurochirurgische ingreep ondergingen in een tertiair kinderziekenhuis in Chongqing. De studie hanteerde het 10 events per variabele (EPV)-principe voor de berekening van de steekproefomvang, waarbij uiteindelijk 14 potentiële risicofactoren werden opgenomen.

• Dataverzameling & Preprocessing: De gegevens omvatten demografische informatie, preoperatieve laboratoriumwaarden (hemoglobine, hematocriet, BMI, Braden Q-score) en intraoperatieve variabelen (ASA-classificatie, chirurgische positie, operatie-/anesthesieduur, bloedverlies, gebruik van elektrische gereedschappen en hypothermie). IAPI werd gediagnosticeerd volgens de 2019 NPUAP-standaarden.
• Kenmerkselectie (Feature Selection): De Least Absolute Shrinkage and Selection Operator (LASSO) regressie werd ingezet om variabelen te screenen en dimensionaliteit te reduceren, waarbij 13 kenmerken met niet-nul coëfficiënten werden geselecteerd.
• Modelconstructie: De dataset werd gesplitst in een trainingsset (70%) en een validatieset (30%). Negen machine learning-algoritmen werden geïmplementeerd: Logistische Regressie (LR), Random Forest (RF), Neuraal Netwerk (NNET), Extreme Gradient Boosting (XGBoost), Gradient Boosting Machine (GBM), Support Vector Machine (SVM), Naïve Bayes (NB), K-Nearest Neighbors (KNN) en Decision Tree (DT).
• Optimalisatie & Validatie: Modellen werden getuned middels tienvoudige kruisvalidatie (ten-fold cross-validation) en grid search op de trainingsset. De prestaties werden geëvalueerd aan de hand van de Area Under the Receiver Operating Characteristic Curve (AUC), sensitiviteit, specificiteit, precisie, F1-score en Decision Curve Analysis (DCA).
• Interpreteerbaarheid: Het optimale model werd geanalyseerd met behulp van SHapley Additive exPlanations (SHAP) om de belangrijkheid van kenmerken te visualiseren en het besluitvormingsproces uit te leggen.

Belangrijkste Resultaten

• Incidentie: De geobserveerde incidentie van IAPI in de cohort was 7,9% (62/776). Het merendeel van de letsels was Stadium I (95,16%), waarbij de wang, het voorhoofd en de slaap het meest voorkomende locaties waren.
• Kenmerkselectie: LASSO-regressie identificeerde 13 belangrijke voorspellers, waaronder leeftijd, geslacht, Braden Q-score, preoperatief hematocriet, intraoperatief bloedverlies, operatieduur, anesthesieduur, chirurgische positie, gebruik van elektrisch gereedschap, ASA-classificatie, type chirurgie en BMI.
• Modelprestaties: Onder de negen algoritmen vertoonde het XGBoost-model de meest stabiele en optimale prestaties.
  • Metrics Validatieset: XGBoost behaalde een AUC van 0,7325, met een sensitiviteit van 0,8889, specificiteit van 0,4813, precisie van 0,126 en een F1-score van 0,2207.
  • Vergelijking: Hoewel het XGBoost-model een iets lagere AUC vertoonde dan het eerdere nomogrammodel van de auteurs (0,79), vertoonde het een hogere sensitiviteit. Decision Curve Analysis gaf aan dat XGBoost het grootste netto klinische voordeel bood in de validatieset.
• Risicofactoranalyse: SHAP-visualisatie identificeerde de top zes risicofactoren die de voorspellingen van het model stuurden: intraoperatief bloedverlies, chirurgische positie, patiëntleeftijd, operatieduur, anesthesieduur en het gebruik van externe kracht (bijv. boren/frezen).

Belangrijkste Bijdragen

1. Nieuwe ML-toepassing: Deze studie construeert een machine learning-gebaseerd voorspellingsmodel voor IAPI bij kinderen die neurochirurgie ondergaan, waarmee een gat wordt gedicht waarvoor tot dusver geen dergelijk model was gerapporteerd.
2. Algoritmische Vergelijking: Het vergelijkt systematisch negen verschillende machine learning-algoritmen en identificeert XGBoost als het superieure model voor deze specifieke klinische context.
3. Interpreteerbaarheid: Door de integratie van SHAP-analyse gaat de studie verder dan "black box"-voorspellingen en biedt het een transparante visualisatie van hoe specifieke klinische indicatoren (zoals bloedverlies en chirurgische positie) de kans op letsel beïnvloeden.
   4.Verfijnde Risicofactoren: De studie evalueert risicofactoren opnieuw en bevestigt de significantie van intraoperatief bloedverlies en het gebruik van elektrisch gereedschap, die in eerdere niet-ML-modellen minder prominent naar voren kwamen.

Betekenis en Claims
De auteurs stellen dat het geconstrueerde XGBoost-gebaseerde voorspellingsmodel beschikt over een "bepaalde voorspellende effectiviteit". De primaire betekenis van dit werk ligt in het potentieel om klinisch verpleegkundigen te ondersteunen bij de vroege identificatie van pediatrische neurochirurgische patiënten met een hoog risico. Door gebruik te maken van dit model kunnen zorgverleners eerder gepersonaliseerde preventieve maatregelen nemen in het zorgtraject. De studie benadrukt dat hoewel het model geen perfect vervanging is voor klinisch oordeel, het een wetenschappelijke basis biedt voor screening en helpt het beoordelingsproces te stroomlijnen door de meest kritieke risicofactoren te benadrukken, waardoor de beoordelingstijd potentieel wordt verkort en de nauwkeurigheid van IAPI-preventiestrategieën wordt verbeterd. De auteurs blijven bescheiden over de generaliseerbaarheid van het model en wijzen op beperkingen zoals het retrospectieve karakter van de gegevens, het gebrek aan externe validatie en de noodzaak om in toekomstig onderzoek de interacties tussen risicofactoren te onderzoeken.