cílem naší studie je použití nouzové oddělení dat vytvořit diferenciální diagnostiku pro RIF bolest na základě klasifikace strom metodiky. Tento model také porovnáme s klasickými skóre a skóre generovaným umělou neuronovou sítí (ANN), která pomáhá při diagnostice AA a dalších břišních procesů.
Metoda
Prospektivní observační studie 18 měsíců (od 1. července 2015 a 31. prosince 2016) provádí v pohotovosti (ER) z druhé úrovně nemocnice s 450 nemocničních lůžek a nějakým 93 000 roční POHOTOVOST návštěvy.
pacienti dali svůj podepsaný informovaný souhlas a studie byla schválena etickou komisí pro klinický výzkum (CEIC) v nemocnici.
Zahrnuli jsme pacienty starší 14 let s více než 6hodinovým vývojem bolesti v RIF. Pacienti s předchozími apendektomiemi a ti, kteří byli ztraceni při sledování, byli vyloučeni.
Jakmile je diagnóza bolesti v RIF byla stanovena následující proměnné byly shromážděny údaje: věk, pohlaví, předchozí břišní operace, index tělesné hmotnosti (BMI), příznakem evoluce čas v hodinách, předchozí užívání analgezie a tělesné teploty.
klinických proměnných v klasické modely byly shromážděny: podobné jako předchozí bolest, Blumberg znamení (je pozitivní, nebo ne), migrace bolest, zvýšení bolesti s kašlem, zvýšená bolest s mobilizace, nevolnost/zvracení, anorexie, průjem a zácpa. Analytické údaje zahrnuty: počet leukocytů (počet buněk×109), procento neutrofilů ( % ) a hladiny CRP v séru (mg / dL). Použitou analytickou metodou byla standardní nemocniční laboratorní metoda. Během sledování byly registrované údaje zahrnuty, zda byl pacient hospitalizován, zda byl proveden chirurgický zákrok a diagnóza na konci epizody. Čtyři diagnostické skupiny byly stanoveny: non-specifické RIF bolest (NsP), kdy se příznaky remisi a pacient byl propuštěn domů; AA, kdy pacient byl operován a patologická anatomie byl shodný; bolest břicha v RIF bez zánětu (NIRIF) a bolest břicha v RIF se zánětem (IRIF). Zánět byl definován jako existence 2 nebo více klinických příznaků následujících, kromě bolesti v RIF: teplota >38°C nebo
°C, srdeční frekvence >90bpm, dechová frekvence vyšší než 20 dechů za minutu nebo pCO2 mmHg, krev leukocyty >12000/mL nebo
hodnoty pro Alvarado,4 AIR6 a Fenyö-Lindberg5 algoritmy byly vypočteny.
Statistická analýza
proměnné jsou vyjádřeny jako střední a směrodatná odchylka nebo v procentech. Pro srovnání mezi skupinami (4 kategorie) Chi-kvadrát test byl použit pro kvalitativní proměnné a neparametrický Kruskal–Wallis test pro kontinuální proměnné. Hodnota P
MODEL klasifikačního stromu byl vytvořen pomocí modulu AnswerTree programu SPSS® (verze 20.0). Byla použita možnost Automatické detekce interakce chí-kvadrát (CHAID) s kritériem zastavení omezeným na minimální počet 15 pacientů na terminální uzel.8
MODEL ANN byl implementován pomocí programu Alyuda® (Neurointelligence), který zahrnuje metodiku vícevrstvého Perceptronu s backpropagací.9
strategie pro zahrnutí proměnných do modelů byl plný model typ (zahrnutí všech kandidátských proměnných); oba modely mají automatickou variabilní možností výběru podle významu nebo hierarchie. Interní validace obou modelů byla provedena křížovou validací (10 oddílů). Diskriminační kapacita modelů byla určena výpočtem plochy pod křivkou ROC A procenty správné klasifikace (PCC).10.
Výsledky
295 pacientů prezentovány s bolestí v RIF, a 43 byly vyloučeny: 15 s předchozí slepého střeva, 5 s méně než 6h postupující příznaky, a 23 pro nedostatek navazující. Konečná studijní skupina sestávala z 252 pacientů (obr. 1).
z tohoto celkového počtu bylo do nemocnice přijato 121 pacientů, z nichž 107 bylo léčeno chirurgicky. Případy byly definovány diagnostickými skupinami: 114 případů NsP, 93 AA, 30 NIRIF a 15 IRIF. Diagnózy zahrnuté do klasifikace NIRIF byly: 11 případů infekcí močových cest, 7 renální koliky, 5 akutní gastroenteritidy, 2 částečné obstrukce střev, jedna ovariální cysta a 4 „jiné diagnózy“. Diagnózy zahrnuty v IRIF skupiny byly: 5 případech, pánevní zánětlivé onemocnění, 4 akutní pyelonefritidy, 2 tubo-ovariální absces, 2 akutní divertikulitida, jeden akutní cholecystitis, a jeden zánětlivých onemocnění střev.
Tabulka 1 ukazuje klinické charakteristiky pacientů zařazených do 4 diagnostických skupin. Obecně jsou pacienti mladí a podle pohlaví nejsou žádné rozdíly.
Tabulka 2 ukazuje analytické proměnné a skóre studovaných klasických modelů. Pokud bychom výpočet ROC křivek (AUC) skóre pro jednotlivé diagnózy AA ve srovnání s 3 zbývající diagnózy, získáme 0.82 (0.76–0.87) pro Alvarado skóre, 0.83 (0.77–0.88) pro VZDUCH a 0.88 (0.84–0.92) pro Fenyö-Lindberg.
analytické charakteristiky a skóre Alvarado, AIR a Fenyö-Lindberg podle diagnostických skupin (n=252).
| All(n=252) | NsP(n=114) | AA(n=93) | NIRIF(n=30) | IRIF(n=15) | P Valuea | |
|---|---|---|---|---|---|---|
| Leucocytes (109/l) | 12±5 | 10±4 | 16±4 | 10±4 | 14±4 | |
| Percentage of neutrophils | 75±12 | 69±13 | 82±7 | 72±13 | 78±7 | |
| CRP (mg/L) | 60±54 | 25±15 | 98±78 | 38±23 | 129±81 | |
| Alvarado | 5±2 | 4±2 | 6±1 | 4±2 | 6±1 | |
| AIR | 6±2 | 5±2 | 7±1 | 5±2 | 7±1 | |
| Fenyö-Lindberg | 7±30 | −9±25 | 31±18 | −14±27 | 19±17 |
AA: akutní zánět slepého střeva; VZDUCH: zánět Slepého střeva, Zánětlivé Reakce; IRIF: RIF bolesti se zánětem; NIRIF: RIF bolest bez zánětu; NsP: nespecifické RIF bolest; CRP: C-reaktivní protein.
hodnoty jako průměr±SD.
srovnání mezi skupinami s Kruskalovým-Wallisovým testem.
Klasifikačního Stromu CHAID Model
CHAID model vybrané 6 proměnných: počet leukocytů, CRP, bolestivý kašel, Blumbergův znak, sex a doba vývoje.
hierarchie proměnných, zvolená automaticky, je znázorněna na obr. 2. Prvním je počet leukocytů a podle mezního bodu (také stanoveného automaticky) jsou začleněny následující proměnné. Model určuje 10 rozhodovacích pravidel, která jsou konečnými uzly.
CHAID rozhodovací strom s 10 reglas de decisión-nodos finále.
konečné uzly (Obr. 2) lze rozdělit do 3 kategorií. Uzly, 10, 11 a 13 ukazují jasnou klasifikaci pro NsP diagnostické skupiny, uzly, 7, 14 a 17 pro AA diagnózu, a uzly 5, 12, 15 a 16 se klasifikace, která je méně jasné (zahrnuje NIRIF a IRIF diagnóz), které mohou být považovány za zvláštní. Například tyto speciální skupiny vyžadovaly více ultrazvuků ve srovnání se skupinami s jasnější klasifikací (41.6 vs. 21.1; P
.01).Umělé Neuronové Sítě, Model
generované ANN model, který je generován automaticky vybere 10 proměnných: Blumberg znamení, bolest migrace, zvýšená bolest, zvýšená bolest při pohybu, bolest při kašli, nechutenství, teplota, počet leukocytů, hodin evoluce a CRP v krvi. Architektura, která je vytvořena automaticky se skládá ze vstupní vrstvy (s 10 vybraných proměnných), skrytá vrstva s 12 uzlů a výstupní vrstva s možností 4 diagnostické skupiny. Model přiřadí každému pacientovi (registru) diagnostickou skupinu ze 4 možných diagnostických pravděpodobností. Model ANN také určuje, že proměnnou s největší hmotností je počet leukocytů.
Tabulka 3 porovnává model ANN a strom klasifikace CHAID. Mezi procenty PCC nebo vypočtenými křivkami ROC nejsou pozorovány žádné významné rozdíly.
diskuse
tato studie byla porovnána s jinými studiemi publikovanými v literatuře o bolesti v RIF (Tabulka 4). Velikost vzorku byla přezkoumána a vykazovala pozoruhodnou variabilitu (většina se pohybovala mezi 139 a 545 pacienty, největší bylo 941 pacientů).19
popisné srovnání naší studie s dalšími publikovanými články o RIF Pain.
| Name of Study | YearPlace | N | DesignService | Methodology | Population | Utility |
|---|---|---|---|---|---|---|
| Alvarado4 | 1986USA | 305 | RSurgery | DEV Alvarado | SUSP AAHOSP | DIAG AA |
| Fenyö-Lindberg4 | 1997Sweden | 1,167 | PSurgery | DEV Fenyö-Lindberg | SUSP AAHOSP | DIAG AA |
| Fenyö-Lindberg11 | 2004Sweden | 455 | PSurgery | VAL Fenyö-LindbergFemales | SUSP AAFemales-HOSP | DIAG AASurgery |
| Tzanakis et al.12 | 2005Greece | 504 | PSurgery and radiology | DEV ScoreVAL Alvarado | SUSP AAHOSP | DIAG AAUltrasound |
| Rennie et al.13 | 2006Great Britain | 300 | PSurgery | Study in females | SUSP AAFemales-HOSP | DIAG AA |
| Antevil et al.14 | 2006USA | 383609 | P-RSurgery | VAL CT | SUSP AAHOSP | DIAG AACT |
| Andersson et al.6 | 2008Switzerland | 545 | PSurgery | AlvaradoDEV Score LR | SUSP AAHOSP | DIAG AA |
| McCartan et al.15 | 2010Ireland | 302 | PSurgery | Review AA | SUSP AAHOSP | DIAG AA |
| Lintula et al.16 | 2010Finland | 181 | PSurgery | VAL ScorePediatrics | SUSP AAHOSP | DIAG AA |
| Poletti et al.17 | 2011Switzerland | 183 | PRadiology | VAL ULT/CT | SUSP AAHOSP | DIAG AAULTG-CT |
| Chong et al.18 | 2011Singapore | 192 | PSurgeryEmergency | VAL RIPASAEmergency | Dolor RIFHOSP | DIAG AA |
| De Castro et al.19 | 2012Holland | 941 | PEmergency | VAL Score | SUSP AAHOSP | DIAG AA |
| Gudelis et al. | 2018Spain | 252 | PEmergency | DEV Score | Dolor RIFER | DIAG dolor RIF |
AA: acute appendicitis; DEV: development; DIAG: diagnosis; ULT: ultrazvukové; RIF: pravé jámě kyčelní; HOSP: hospitalizovaných pacientů; P: potenciální; R: retrospektivní; LR: logistický regresní model; SUSP AA: podezření AA; CT: počítačová tomografie; POHOTOVOST: pohotovost; VAL: validace.
Jeden z příspěvků naší studie je použití 4 klasifikace skupin. V naší sérii byla největší skupinou pacientů skupina NsP. Ve studiích, které byly provedeny s více vybranými pacienty (poté, co prošly počátečním „filtrem“ v ER), byla tato skupina více snížena.13,14
skupina AA zahrnovala všechny pacienty, kteří byli přijati na chirurgické oddělení a chirurgicky léčeni pro podezření na AA, jejichž diagnóza byla potvrzena anatomickou patologií. Procento těchto pacientů se lišilo podle kritérií pro zařazení různých publikovaných studií.17
v naší studii byla diagnóza AA stanovena anatomickou patologií. Pokud budeme považovat pacientů s podezřením na AA, kteří podstoupili operaci, zjistili jsme, že pouze 6 (5.7%) pacientů nebyly přítomny anatomické patologie diagnóza AA (3 s konečnou diagnózu NsP a 3 IRIF). Toto procento (5,7%) negativních apendektomií je nižší než zprávy z jiných sérií v rozmezí od 10% do 23%.7,11,15
Jsme přesvědčeni, že použití dvou dalších NIRIF a IRIF diagnostických kategorií poskytuje širší pohled na problém a klasifikace, která se chová jinak, pro určení diagnózy (více zobrazovacích testů bude potřeba), stejně jako léčba a prognóza.
hlavní výhodou modelu založeného na klasifikačních stromech, což je v našem případě Typ CHAID, je, že model je snadno interpretovatelný. Generovaná klasifikační pravidla zahrnují všechny možné pacienty a aspekty různých podskupin, jako je věk a pohlaví.20,21
MODEL CHAID zjistil, že nejdůležitější proměnnou je počet leukocytů(shodující se s modelem ANN). CHAID také zahrnuje hladinu CRP ve druhém řádku. Je také zajímavé poznamenat, že klinickou proměnnou je bolest při kašli. Během klinického vyšetření tato bolest nezávisí na Průzkumníkovi, ale na manévru daleko od přímého vyšetření břicha. 10 generovaných klasifikačních pravidel bylo seskupeno podle hlavní diagnostické možnosti. Jasnější pravidla lze nalézt pro diagnostiku NsP a AA (které říkáme „zvláštní“), kde diferenciální diagnózy dosahuje větší důležitost, protože NIRIF a IRIF skupiny jsou více přítomné.
další série byly publikovány pomocí různých metodik klasifikačního stromu, jako je CART, ale rozlišovaly pouze mezi AA a non-AA. Byly také vytvořeny modely s klinickými a analytickými proměnnými,22 pomocí kombinace s Alvarado23 a přidáním zobrazovacích testů.24
použitý model ANN dosahuje přijatelných hodnot rozlišovací kapacity. Nevýhodou tohoto modelu je, že funguje jako „black box“ a nelze je interpretovat v jednoduché podobě pro klinické použití, protože se skládá z 480 parametry (10×12×4), které zahrnují všechny interakce mezi vstupní proměnné, ty skryté vrstvy a výstupní uzly. Počítač je nezbytný pro jeho použití a funguje jako srovnávací model. ANN používá všechna propojení použitých proměnných a není přesnější než model založený na CHAID. Jiné studie používaly ANN pro diagnostiku AA (se zaměřením pouze na AA a non-AA).25
tato studie má také několik omezení. Hlavní je přiřazení použitých skupin. Jedná se o skupiny, které nebyly ověřeny v literatuře, a AA je považován za zánětlivý proces. Bylo by zajímavé mít větší velikost vzorku, zejména v diagnostických skupinách NIRIF a IRIF. Na obranu studie se domníváme, že modely, které porovnávají pouze AA oproti jiným podmínkám, mají menší kapacitu pro použití v reálném řízení pacientů.
závěrem se domníváme, že odborníci, kteří léčí pacienty s bolestí RIF, mohou těžit z modelů, které lze snadno interpretovat a poskytnout klasifikaci s více než dvěma možnostmi (AA vs. non-AA). Generovaný model CHAID dosáhl tohoto cíle, i když by měl být validován v jiných větších sériích.
financování
Na provedení této studie nebyly získány žádné finanční prostředky.
střet zájmů
nemáme žádný střet zájmů vyhlašovat.