條文本
PDF
摘要
介紹肩部不穩是一種常見的損傷，據報道發病率為每10萬人年23.9例。關於最有效的治療策略仍然存在爭議。非手術治療的複發率高達60%，而Bankart修複和骨塊手術等手術治療的複發率較低(分別為16%和2%)，但並發症發生率較高(分別<2%和高達30%)。確定複發風險的方法已經開發出來;然而，針對患者的決策工具仍然缺乏。人工智能和機器學習算法使用自學習複雜模型，可用於製作針對患者的決策工具。目前研究的目的是開發和訓練一種機器學習算法，以創建一個預測模型，用於臨床實踐——作為在線預測工具——估計Bankart修複後的複發率。
方法與分析這是一項多中心回顧性隊列研究。外傷性肩關節前脫位患者采用關節鏡Bankart修複術治療，未行複位。本研究包括兩個部分。第一部分，使用多中心數據收集影響關節鏡Bankart修複患者複發率的所有潛在因素，旨在包括全球>1000例患者的數據。第2部分，將使用機器學習算法對多中心數據進行重新評估(並在適用的情況下進行補充)以預測結果。複發將是主要的預後指標。
倫理與傳播為了安全的多中心數據交換和分析，我們的機器學習聯盟遵守了世衛組織條例“關於在突發公共衛生事件之外使用和共享世衛組織在成員國收集的數據的政策”。研究結果將在同行評議的期刊上發表。本研究不需要機構審查委員會。
- 成人骨科
- 肘部和肩部
- 肩膀
這是一篇開放獲取的文章，根據創作共用署名非商業(CC BY-NC 4.0)許可證發布，該許可證允許其他人以非商業方式分發、混音、改編、在此基礎上進行構建，並以不同的條款許可其衍生作品，前提是正確引用原始作品，給予適當的榮譽，任何更改都已注明，並且使用是非商業性的。看到的:http://creativecommons.org/licenses/by-nc/4.0/．
數據來自Altmetric.com
本研究的優勢和局限性
數據將從機器學習聯盟中所有作者的全球數據庫中獲得，目標包括超過1000名患者的數據。
與前瞻性研究相比，回顧性研究不適合訓練機器學習算法，因為不完整的記錄保存和可能的混雜因素導致數據丟失。
不同設計的研究將包括在內。通過將不同研究收集的數據結合起來創建一個數據庫，定義可能會有所不同，因此不可能彙集一些數據。
由於以前發表的研究收集了個別患者的數據，定義的變化可能會導致顯著的偏倚來源。
介紹
肩前脫位是一種常見的損傷，據報道發病率為23.9 / 10萬人-年。1肩關節脫位限製了患者的日常生活和參與運動，對肩關節造成不可逆的損傷，並伴有高費用。2 3關於預防複發的最有效的治療策略一直存在爭議。首次脫位的非手術治療複發率高達60%，而關節鏡下唇瓣修複和骨阻滯手術等手術治療複發率較低(分別為16%和2%)。4個5然而，與關節鏡下唇瓣修複術相比，骨阻斷術的並發症發生率(分別高達30%和<2%)更高，因此術前谘詢確定最合適的治療方法對於避免不必要的並發症風險很重要。6 7已經開發了確定複發風險的方法，包括不穩定嚴重程度指數評分(ISIS)，關節盂形態(即凹陷，版本，傾斜)，偏離軌跡的Hill-Sachs病變和肱骨頭的平移。8 - 12然而，針對患者的決策工具仍然缺乏。
人工智能(AI)和機器學習(ML)算法使用的自學習複雜模型表達了高水平的智能，沒有人為錯誤，因此非常適合用於圖像、病理幻燈片和患者特定決策工具的解釋。13 - 17Hendrickx及其同事最近開發了一種基於ML算法的預測模型，用於估計脛骨骨幹骨折髓內釘治療後的急性和晚期並發症。16換句話說，作者能夠使用ML的計算密集型方法，從“傳統”報告的隊列總體並發症率計算特定患者並發症率的概率。這項研究產生了一個在線預測工具。
宗旨和目標
當前研究的目的是開發和訓練ML算法，以創建一個預測模型，用於臨床實踐——作為在線預測工具——估計Bankart修複後的複發率。目前尚未有研究將ML算法應用於該領域的係統回顧/收集數據。
方法與分析
研究設計
這項多中心回顧性隊列研究包括兩部分。
第一部分-收集數據
第一部分涉及收集已發表研究的個體患者數據，評估關節鏡Bankart修複後無再穿刺複發的潛在因素。我們將通過電子郵件聯係這些研究的作者，並在他們提供其隊列的原始患者數據時將他們納入機器學習聯盟。通過這一過程，我們的目標是結合已發表研究的個體患者數據，並創建一個超過1000名患者的國際隊列。目前的研究將使用收集到的患者數據來創建一個ML算法，該算法可以估計單個患者的複發概率。為了做出一個可靠的算法，估計數據應該包含至少100次遞歸。關節鏡Bankart修複術後複發率為12%，估計至少1000例患者就足夠了。18為確定相關研究，采用係統方法，根據Verweij中使用的檢索詞檢索PubMed、Embase/Ovid、Cochrane係統綜述數據庫/Wiley、Cochrane對照試驗中央登記/Wiley、CINAHL/Ebsco和Web of Science/Clarivate等(見在線補充附錄1搜索策略)，從成立到2021年7月。19Verweij的係統評價等已完成並單獨提交出版。所有報道Bankart修複術後複發危險因素的研究均被納入。以英語、荷蘭語和法語以外的語言發表的研究被排除在外。納入標準為因外傷性肩前不穩而行關節鏡Bankart修複術且未再搭橋的患者，隨訪時間至少為2年。肩關節不穩被定義為完全脫位或半脫位。20.排除標準包括既往對同側肩部進行過穩定手術或其他手術而非關節鏡Bankart修複的患者，以及後路、多向或隨意性習慣性不穩定的患者。
第2部分-機器學習
第2部分，將使用ML算法對多中心數據進行重新評估(並在適用的情況下進行補充)以預測結果。執行ML分析的統計學家對數據的來源一無所知。
訓練數據和測試數據
機器學習聯盟數據庫中包含的所有(>1000)患者的80%(80%)將被隨機分配到訓練數據集，20%分配到測試數據集。
輸出變量
每個ML算法將被訓練以識別與複發率相關的模式。
輸入變量
對於主要結果，將使用隨機森林算法從機器學習聯盟數據庫中的所有可用數據點中識別具有最高預測值的變量。可用的數據點包括人口統計學(年齡、性別和種族，目標包括人口統計學平衡的>1000名患者)、患者特異性因素(如術前體重指數、共病、顯性)、疾病特異性因素(如患側、術前脫位數量、相關病變)和手術特征(如從損傷到手術的時間、外科醫生水平)(見在線補充附錄2參閱將從電子病曆中收集的完整因素清單)。
需要訓練的算法
不可能知道哪種ML算法最適合計算關節鏡下Bankart修複後的複發。21但是，基於之前的研究，將測試以下算法作為複發率的預測模型:決策樹模型;支持向量機;神經網絡;貝葉斯點機;邏輯回歸。16個月22 - 27日
算法的訓練和測試
對於每個ML算法，將在訓練數據集(80%)上重複3次10倍交叉驗證，以訓練算法識別關節鏡Bankart修複後複發相關的模式，並隨後根據以下性能特征評估其預測性能:計算受試者工作特征(ROC)曲線下麵積、校準(校準斜率、校準截距)和Brier評分。28將模型的預測概率與實際觀測概率繪製在一起，以計算模型的校準。完美模型的校準截距為0，校準斜率為1。29用Brier評分來評估模型的整體性能。一個完美的Brier分數，表示總準確度，是0分。可能的最低分數是Brier分數為1。28剩餘20%的數據將被用作測試集，以評估基於“未見”數據的最佳ML算法的性能。將出版技術附錄、統計代碼和數據集。
最佳執行算法的外部驗證
在整合到在線開放獲取決策工具之前，表現最佳的算法將在預期的數據庫中進行外部驗證。相同的性能指標將按照上麵描述的方式計算。
開放獲取臨床預測工具
一個開放的臨床預測工具將使用最佳性能算法開發。
患者與公眾參與
患者和公眾均未參與該協議的製定。
當前的狀態
目前，這項研究正處於從全球數據庫收集數據的最後階段。使用ML算法重新評估數據以預測結果將於2022年3月開始。預計完工時間為2022年底。
倫理與傳播
為了安全的多中心數據交換和分析，我們的機器學習聯盟遵守了世衛組織條例“關於在突發公共衛生事件之外使用和共享世衛組織在成員國收集的數據的政策”。30.研究結果將在同行評議的期刊上發表。本研究不需要機構審查委員會。
討論
與非手術治療相比，手術治療可顯著降低複發性肩部不穩的風險。31初次脫位的患者接受手術治療時，通常采用唇唇修複術。31與關節鏡Bankart修複失敗相關的危險因素包括年齡年輕(≤30歲)、參加競技運動、多次術前脫位、>從首次脫位到手術的手術延遲6個月、ISIS >3和相關病變(Hill-Sachs、關節盂骨丟失和前唇骨膜套撕脫(ALPSA)病變)。19我們不可能把所有這些風險因素都考慮在內，並就哪種治療方法最合適做出客觀的決定。已經開發了幾種預測工具來幫助為患者提供谘詢;然而，這些工具隻提供了一個指示性的總體評分，而不是針對患者的。8 - 12人工智能和機器學習算法已經顯示出製作患者特定決策工具的潛力。16創建一個關節鏡Bankart修複術後複發的在線預測工具，可以幫助指導外科醫生選擇從該手術中受益的患者。首次發生肩前脫位的患者僅在29%的病例中得到適當的循證信息。32在線預測工具可能會提高這些數字，並使基於客觀衡量的共同決策成為可能。
這項研究的優勢在於它將收集大量的數據。數據將從機器學習聯盟中所有作者的全球數據庫中獲取，目標包括>1000名患者的數據。這項研究確實有回顧性的局限性，因此研究依賴於每個醫院的記錄保存。這可能導致每個數據庫中列出的變量存在差異，從而導致數據丟失。此外，每個研究所對參與者和人員致盲的處理可能不同。此外，僅納入文獻中確定的危險因素。
倫理語句
患者發表同意書
參考文獻
補充材料
-
補充數據
此網頁文件由BMJ出版集團從作者提供的電子文件製作而成，並沒有對內容進行編輯。
腳注
合作者T Flinkillä， S中川，M洛皮尼，B R沃特曼，B歐文斯，M後藤，H中村，L羅西，I Pasqualini, M Scheibel, M Minkus, J S Shaha, M A Ruiz Ibán, R T Li, A Lin, Y V Kleinlugtenbelt, J M Woodmass, P MacDonald, J Phadnis, A Stone, C Hatrick, T P van Iersel
貢獻者SHvS、GAB、MPJvdB、LPEV和LJHA參與了本研究的構思、總體設計和規劃。LAMH和JND對方法部分的概念和設計做出了貢獻，主要集中在機器學習部分和數據分析。GSA、TL和LL對方法部分的設計做出了貢獻，主要關注如何收集和解釋數據。SHvS、GAB、MPJvdB和LPEV對協議的編寫做出了貢獻。所有作者都修改了這個版本的方案，並最終批準了它的出版。所有作者確保與本協議任何部分的準確性或完整性相關的問題得到適當的調查和解決。
資金作者沒有從任何公共、商業或非營利部門的資助機構宣布對這項研究的具體資助。
相互競爭的利益作為ConMed Linvatec的顧問，GSA報告為“提交工作之外的財務活動”。LL是Depuy Stryker的顧問，從Depuy獲得版稅。TL是副檢察官米泰克和斯特萊克的顧問。GAB收到了Depuy-Synthes的顧問費和SECEC的研究基金，Vivalto Santé。其餘作者證明他或她沒有可能與所提交的文章產生利益衝突的資金或商業協會。
患者和公眾參與患者和/或公眾沒有參與本研究的設計、實施、報告或傳播計劃。
出處和同行評審不是委托;外部同行評審。
補充材料此內容由作者提供。它沒有經過BMJ出版集團有限公司(BMJ)的審查，也可能沒有經過同行評審。討論的任何意見或建議僅是作者的意見或建議，不被BMJ認可。BMJ不承擔因對內容的任何依賴而產生的所有責任和責任。如果內容包括任何翻譯材料，BMJ不保證翻譯的準確性和可靠性(包括但不限於當地法規、臨床指南、術語、藥品名稱和藥物劑量)，並且對因翻譯和改編或其他原因引起的任何錯誤和/或遺漏不負責。