利用人工神经网络对结直肠癌术后并发症和再入院情况进行早期预测

IF 3.2 2区 医学 Q2 GASTROENTEROLOGY & HEPATOLOGY
Diseases of the Colon & Rectum Pub Date : 2024-10-01 Epub Date: 2024-07-03 DOI:10.1097/DCR.0000000000003253
Annamaria Agnes, Sa T Nguyen, Tsuyoshi Konishi, Oliver Peacock, Brian K Bednarski, Y Nancy You, Craig A Messick, Matthew M Tillman, John M Skibber, George J Chang, Abhineet Uppal
{"title":"利用人工神经网络对结直肠癌术后并发症和再入院情况进行早期预测","authors":"Annamaria Agnes, Sa T Nguyen, Tsuyoshi Konishi, Oliver Peacock, Brian K Bednarski, Y Nancy You, Craig A Messick, Matthew M Tillman, John M Skibber, George J Chang, Abhineet Uppal","doi":"10.1097/DCR.0000000000003253","DOIUrl":null,"url":null,"abstract":"<p><strong>Background: </strong>Early predictors of postoperative complications can risk-stratify patients undergoing colorectal cancer surgery. However, conventional regression models have limited power to identify complex nonlinear relationships among a large set of variables. We developed artificial neural network models to optimize the prediction of major postoperative complications and risk of readmission in patients undergoing colorectal cancer surgery.</p><p><strong>Objective: </strong>This study aimed to develop an artificial neural network model to predict postoperative complications using postoperative laboratory values and compare the accuracy of models to standard regression methods.</p><p><strong>Design: </strong>This retrospective study included patients who underwent elective colorectal cancer resection between January 1, 2016, and July 31, 2021. Clinical data, cancer stage, and laboratory data from postoperative days 1 to 3 were collected. Complications and readmission risk models were created using multivariable logistic regression and single-layer neural networks.</p><p><strong>Setting: </strong>National Cancer Institute-Designated Comprehensive Cancer Center.</p><p><strong>Patients: </strong>Adult patients with colorectal cancer.</p><p><strong>Main outcome measures: </strong>The accuracy of predicting postoperative major complications, readmissions, and anastomotic leaks using the area under the receiver operating characteristic curve.</p><p><strong>Results: </strong>Neural networks had larger areas under the curve for predicting major complications compared to regression models (neural network 0.811; regression model 0.724, p < 0.001). Neural networks also showed an advantage in predicting anastomotic leak ( p = 0.036) and readmission using postoperative day 1 to 2 values ( p = 0.014).</p><p><strong>Limitations: </strong>Single-center, retrospective design limited to cancer operations.</p><p><strong>Conclusions: </strong>In this study, we generated a set of models for the early prediction of complications after colorectal surgery. The neural network models provided greater discrimination than the models based on traditional logistic regression. These models may allow for early detection of postoperative complications as early as postoperative day 2. See the Video Abstract .</p><p><strong>Prediccin post operatoria temprana de complicaciones y reingreso despus de la ciruga de cncer colorrectal mediante una red neuronal artificial: </strong>ANTECEDENTES:Los predictores tempranos de complicaciones postoperatorias pueden estratificar el riesgo de los pacientes sometidos a cirugía de cáncer colorrectal. Sin embargo, los modelos de regresión convencionales tienen un poder limitado para identificar relaciones no lineales complejas entre un gran conjunto de variables. Desarrollamos modelos de redes neuronales artificiales para optimizar la predicción de complicaciones postoperatorias importantes y riesgo de reingreso en pacientes sometidos a cirugía de cáncer colorrectal.OBJETIVO:El objetivo de este estudio fue desarrollar un modelo de red neuronal artificial para predecir complicaciones postoperatorias utilizando valores de laboratorio postoperatorios y comparar la precisión de estos modelos con los métodos de regresión estándar.DISEÑO:Este estudio retrospectivo incluyó a pacientes que se sometieron a resección electiva de cáncer colorrectal entre el 1 de enero de 2016 y el 31 de julio de 2021. Se recopilaron datos clínicos, estadio del cáncer y datos de laboratorio del día 1 al 3 posoperatorio. Se crearon modelos de complicaciones y riesgo de reingreso mediante regresión logística multivariable y redes neuronales de una sola capa.AJUSTE:Instituto Nacional del Cáncer designado Centro Oncológico Integral.PACIENTES:Pacientes adultos con cáncer colorrectal.PRINCIPALES MEDIDAS DE RESULTADO:Precisión de la predicción de complicaciones mayores postoperatorias, reingreso y fuga anastomótica utilizando el área bajo la curva característica operativa del receptor.RESULTADOS:Las redes neuronales tuvieron áreas bajo la curva más grandes para predecir complicaciones importantes en comparación con los modelos de regresión (red neuronal 0,811; modelo de regresión 0,724, p < 0,001). Las redes neuronales también mostraron una ventaja en la predicción de la fuga anastomótica ( p = 0,036) y el reingreso utilizando los valores del día 1-2 postoperatorio ( p = 0,014).LIMITACIONES:Diseño retrospectivo de un solo centro limitado a operaciones de cáncer.CONCLUSIONES:En este estudio, generamos un conjunto de modelos para la predicción temprana de complicaciones después de la cirugía colorrectal. Los modelos de redes neuronales proporcionaron una mayor discriminación que los modelos basados en regresión logística tradicional. Estos modelos pueden permitir la detección temprana de complicaciones posoperatorias tan pronto como el segundo día posoperatorio. (Traducción-Dr. Mauricio Santamaria ).</p>","PeriodicalId":11299,"journal":{"name":"Diseases of the Colon & Rectum","volume":null,"pages":null},"PeriodicalIF":3.2000,"publicationDate":"2024-10-01","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":"{\"title\":\"Early Postoperative Prediction of Complications and Readmission After Colorectal Cancer Surgery Using an Artificial Neural Network.\",\"authors\":\"Annamaria Agnes, Sa T Nguyen, Tsuyoshi Konishi, Oliver Peacock, Brian K Bednarski, Y Nancy You, Craig A Messick, Matthew M Tillman, John M Skibber, George J Chang, Abhineet Uppal\",\"doi\":\"10.1097/DCR.0000000000003253\",\"DOIUrl\":null,\"url\":null,\"abstract\":\"<p><strong>Background: </strong>Early predictors of postoperative complications can risk-stratify patients undergoing colorectal cancer surgery. However, conventional regression models have limited power to identify complex nonlinear relationships among a large set of variables. We developed artificial neural network models to optimize the prediction of major postoperative complications and risk of readmission in patients undergoing colorectal cancer surgery.</p><p><strong>Objective: </strong>This study aimed to develop an artificial neural network model to predict postoperative complications using postoperative laboratory values and compare the accuracy of models to standard regression methods.</p><p><strong>Design: </strong>This retrospective study included patients who underwent elective colorectal cancer resection between January 1, 2016, and July 31, 2021. Clinical data, cancer stage, and laboratory data from postoperative days 1 to 3 were collected. Complications and readmission risk models were created using multivariable logistic regression and single-layer neural networks.</p><p><strong>Setting: </strong>National Cancer Institute-Designated Comprehensive Cancer Center.</p><p><strong>Patients: </strong>Adult patients with colorectal cancer.</p><p><strong>Main outcome measures: </strong>The accuracy of predicting postoperative major complications, readmissions, and anastomotic leaks using the area under the receiver operating characteristic curve.</p><p><strong>Results: </strong>Neural networks had larger areas under the curve for predicting major complications compared to regression models (neural network 0.811; regression model 0.724, p < 0.001). Neural networks also showed an advantage in predicting anastomotic leak ( p = 0.036) and readmission using postoperative day 1 to 2 values ( p = 0.014).</p><p><strong>Limitations: </strong>Single-center, retrospective design limited to cancer operations.</p><p><strong>Conclusions: </strong>In this study, we generated a set of models for the early prediction of complications after colorectal surgery. The neural network models provided greater discrimination than the models based on traditional logistic regression. These models may allow for early detection of postoperative complications as early as postoperative day 2. See the Video Abstract .</p><p><strong>Prediccin post operatoria temprana de complicaciones y reingreso despus de la ciruga de cncer colorrectal mediante una red neuronal artificial: </strong>ANTECEDENTES:Los predictores tempranos de complicaciones postoperatorias pueden estratificar el riesgo de los pacientes sometidos a cirugía de cáncer colorrectal. Sin embargo, los modelos de regresión convencionales tienen un poder limitado para identificar relaciones no lineales complejas entre un gran conjunto de variables. Desarrollamos modelos de redes neuronales artificiales para optimizar la predicción de complicaciones postoperatorias importantes y riesgo de reingreso en pacientes sometidos a cirugía de cáncer colorrectal.OBJETIVO:El objetivo de este estudio fue desarrollar un modelo de red neuronal artificial para predecir complicaciones postoperatorias utilizando valores de laboratorio postoperatorios y comparar la precisión de estos modelos con los métodos de regresión estándar.DISEÑO:Este estudio retrospectivo incluyó a pacientes que se sometieron a resección electiva de cáncer colorrectal entre el 1 de enero de 2016 y el 31 de julio de 2021. Se recopilaron datos clínicos, estadio del cáncer y datos de laboratorio del día 1 al 3 posoperatorio. Se crearon modelos de complicaciones y riesgo de reingreso mediante regresión logística multivariable y redes neuronales de una sola capa.AJUSTE:Instituto Nacional del Cáncer designado Centro Oncológico Integral.PACIENTES:Pacientes adultos con cáncer colorrectal.PRINCIPALES MEDIDAS DE RESULTADO:Precisión de la predicción de complicaciones mayores postoperatorias, reingreso y fuga anastomótica utilizando el área bajo la curva característica operativa del receptor.RESULTADOS:Las redes neuronales tuvieron áreas bajo la curva más grandes para predecir complicaciones importantes en comparación con los modelos de regresión (red neuronal 0,811; modelo de regresión 0,724, p < 0,001). Las redes neuronales también mostraron una ventaja en la predicción de la fuga anastomótica ( p = 0,036) y el reingreso utilizando los valores del día 1-2 postoperatorio ( p = 0,014).LIMITACIONES:Diseño retrospectivo de un solo centro limitado a operaciones de cáncer.CONCLUSIONES:En este estudio, generamos un conjunto de modelos para la predicción temprana de complicaciones después de la cirugía colorrectal. Los modelos de redes neuronales proporcionaron una mayor discriminación que los modelos basados en regresión logística tradicional. Estos modelos pueden permitir la detección temprana de complicaciones posoperatorias tan pronto como el segundo día posoperatorio. (Traducción-Dr. Mauricio Santamaria ).</p>\",\"PeriodicalId\":11299,\"journal\":{\"name\":\"Diseases of the Colon & Rectum\",\"volume\":null,\"pages\":null},\"PeriodicalIF\":3.2000,\"publicationDate\":\"2024-10-01\",\"publicationTypes\":\"Journal Article\",\"fieldsOfStudy\":null,\"isOpenAccess\":false,\"openAccessPdf\":\"\",\"citationCount\":\"0\",\"resultStr\":null,\"platform\":\"Semanticscholar\",\"paperid\":null,\"PeriodicalName\":\"Diseases of the Colon & Rectum\",\"FirstCategoryId\":\"3\",\"ListUrlMain\":\"https://doi.org/10.1097/DCR.0000000000003253\",\"RegionNum\":2,\"RegionCategory\":\"医学\",\"ArticlePicture\":[],\"TitleCN\":null,\"AbstractTextCN\":null,\"PMCID\":null,\"EPubDate\":\"2024/7/3 0:00:00\",\"PubModel\":\"Epub\",\"JCR\":\"Q2\",\"JCRName\":\"GASTROENTEROLOGY & HEPATOLOGY\",\"Score\":null,\"Total\":0}","platform":"Semanticscholar","paperid":null,"PeriodicalName":"Diseases of the Colon & Rectum","FirstCategoryId":"3","ListUrlMain":"https://doi.org/10.1097/DCR.0000000000003253","RegionNum":2,"RegionCategory":"医学","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"2024/7/3 0:00:00","PubModel":"Epub","JCR":"Q2","JCRName":"GASTROENTEROLOGY & HEPATOLOGY","Score":null,"Total":0}
引用次数: 0

摘要

背景:术后并发症的早期预测指标可以对接受结直肠癌手术的患者进行风险分层。然而,传统的回归模型在识别大量变量之间复杂的非线性关系方面能力有限。我们开发了人工神经网络模型来优化结直肠癌手术患者术后主要并发症和再入院风险的预测:本研究旨在开发一种人工神经网络模型,利用术后化验值预测术后并发症,并将这些模型的准确性与标准回归方法进行比较:这项回顾性研究纳入了 2016 年 1 月 1 日至 2021 年 7 月 31 日期间接受择期结直肠癌切除术的患者。研究收集了术后第 1 至 3 天的临床数据、癌症分期和实验室数据。利用多变量逻辑回归和单层神经网络建立了并发症和再入院风险模型:美国国家癌症研究所指定的综合癌症中心:主要结果指标:主要结果测量:使用接收者操作特征曲线下面积预测术后主要并发症、再入院和吻合口漏的准确性:与回归模型相比,神经网络预测主要并发症的曲线下面积更大(神经网络为0.811;回归模型为0.724,p < 0.001)。神经网络在预测吻合口漏(p = 0.036)和使用术后第 1-2 天的数值预测再入院(p = 0.014)方面也显示出优势:局限性:单中心、回顾性设计,仅限于癌症手术:在这项研究中,我们建立了一套结直肠手术后并发症早期预测模型。与基于传统逻辑回归的模型相比,神经网络模型提供了更高的区分度。这些模型可在术后第 2 天早期发现术后并发症。请看视频摘要。
本文章由计算机程序翻译,如有差异,请以英文原文为准。
Early Postoperative Prediction of Complications and Readmission After Colorectal Cancer Surgery Using an Artificial Neural Network.

Background: Early predictors of postoperative complications can risk-stratify patients undergoing colorectal cancer surgery. However, conventional regression models have limited power to identify complex nonlinear relationships among a large set of variables. We developed artificial neural network models to optimize the prediction of major postoperative complications and risk of readmission in patients undergoing colorectal cancer surgery.

Objective: This study aimed to develop an artificial neural network model to predict postoperative complications using postoperative laboratory values and compare the accuracy of models to standard regression methods.

Design: This retrospective study included patients who underwent elective colorectal cancer resection between January 1, 2016, and July 31, 2021. Clinical data, cancer stage, and laboratory data from postoperative days 1 to 3 were collected. Complications and readmission risk models were created using multivariable logistic regression and single-layer neural networks.

Setting: National Cancer Institute-Designated Comprehensive Cancer Center.

Patients: Adult patients with colorectal cancer.

Main outcome measures: The accuracy of predicting postoperative major complications, readmissions, and anastomotic leaks using the area under the receiver operating characteristic curve.

Results: Neural networks had larger areas under the curve for predicting major complications compared to regression models (neural network 0.811; regression model 0.724, p < 0.001). Neural networks also showed an advantage in predicting anastomotic leak ( p = 0.036) and readmission using postoperative day 1 to 2 values ( p = 0.014).

Limitations: Single-center, retrospective design limited to cancer operations.

Conclusions: In this study, we generated a set of models for the early prediction of complications after colorectal surgery. The neural network models provided greater discrimination than the models based on traditional logistic regression. These models may allow for early detection of postoperative complications as early as postoperative day 2. See the Video Abstract .

Prediccin post operatoria temprana de complicaciones y reingreso despus de la ciruga de cncer colorrectal mediante una red neuronal artificial: ANTECEDENTES:Los predictores tempranos de complicaciones postoperatorias pueden estratificar el riesgo de los pacientes sometidos a cirugía de cáncer colorrectal. Sin embargo, los modelos de regresión convencionales tienen un poder limitado para identificar relaciones no lineales complejas entre un gran conjunto de variables. Desarrollamos modelos de redes neuronales artificiales para optimizar la predicción de complicaciones postoperatorias importantes y riesgo de reingreso en pacientes sometidos a cirugía de cáncer colorrectal.OBJETIVO:El objetivo de este estudio fue desarrollar un modelo de red neuronal artificial para predecir complicaciones postoperatorias utilizando valores de laboratorio postoperatorios y comparar la precisión de estos modelos con los métodos de regresión estándar.DISEÑO:Este estudio retrospectivo incluyó a pacientes que se sometieron a resección electiva de cáncer colorrectal entre el 1 de enero de 2016 y el 31 de julio de 2021. Se recopilaron datos clínicos, estadio del cáncer y datos de laboratorio del día 1 al 3 posoperatorio. Se crearon modelos de complicaciones y riesgo de reingreso mediante regresión logística multivariable y redes neuronales de una sola capa.AJUSTE:Instituto Nacional del Cáncer designado Centro Oncológico Integral.PACIENTES:Pacientes adultos con cáncer colorrectal.PRINCIPALES MEDIDAS DE RESULTADO:Precisión de la predicción de complicaciones mayores postoperatorias, reingreso y fuga anastomótica utilizando el área bajo la curva característica operativa del receptor.RESULTADOS:Las redes neuronales tuvieron áreas bajo la curva más grandes para predecir complicaciones importantes en comparación con los modelos de regresión (red neuronal 0,811; modelo de regresión 0,724, p < 0,001). Las redes neuronales también mostraron una ventaja en la predicción de la fuga anastomótica ( p = 0,036) y el reingreso utilizando los valores del día 1-2 postoperatorio ( p = 0,014).LIMITACIONES:Diseño retrospectivo de un solo centro limitado a operaciones de cáncer.CONCLUSIONES:En este estudio, generamos un conjunto de modelos para la predicción temprana de complicaciones después de la cirugía colorrectal. Los modelos de redes neuronales proporcionaron una mayor discriminación que los modelos basados en regresión logística tradicional. Estos modelos pueden permitir la detección temprana de complicaciones posoperatorias tan pronto como el segundo día posoperatorio. (Traducción-Dr. Mauricio Santamaria ).

求助全文
通过发布文献求助,成功后即可免费获取论文全文。 去求助
来源期刊
CiteScore
4.50
自引率
7.70%
发文量
572
审稿时长
3-8 weeks
期刊介绍: Diseases of the Colon & Rectum (DCR) is the official journal of the American Society of Colon and Rectal Surgeons (ASCRS) dedicated to advancing the knowledge of intestinal disorders by providing a forum for communication amongst their members. The journal features timely editorials, original contributions and technical notes.
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
提示
您的信息不完整,为了账户安全,请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
确定
请完成安全验证×
copy
已复制链接
快去分享给好友吧!
我知道了
右上角分享
点击右上角分享
0
联系我们:info@booksci.cn Book学术提供免费学术资源搜索服务,方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。 Copyright © 2023 布克学术 All rights reserved.
京ICP备2023020795号-1
ghs 京公网安备 11010802042870号
Book学术文献互助
Book学术文献互助群
群 号:481959085
Book学术官方微信