tutkimuksemme tavoitteena on käyttää hätäministeriön tietoja Rif-kivun differentiaalidiagnoosin kehittämiseksi luokituspuun metodologiaan perustuen. Vertaamme tätä mallia myös klassisiin pisteisiin ja artificial neural Networkin (ANN) tuottamiin pisteisiin, jotka auttavat AA: n ja muiden vatsan prosessien diagnosoinnissa.
menetelmä
prospektiivinen havainnointitutkimus 18 kuukauden ajanjaksolla (1.heinäkuuta 2015-31. joulukuuta 2016) tehtiin toisen tason sairaalan päivystyksessä, jossa oli 450 sairaalapaikkaa ja 93 000 vuotuista PÄIVYSTYSKÄYNTIÄ.
potilaat antoivat allekirjoitetun tietoon perustuvan suostumuksensa, ja sairaalan kliinisen tutkimuksen eettinen komitea (CEIC) hyväksyi tutkimuksen.
mukana oli yli 14-vuotiaita potilaita, joiden Rif-tutkimuksessa kivun kehitys oli yli 6h. Potilaat, joilla oli aikaisempi umpilisäke ja jotka eivät olleet seurannassa, suljettiin pois.
kun RIF-kipudiagnoosi oli todettu, kerättiin seuraavat muuttujat: ikä, sukupuoli, edellinen vatsaleikkaus, painoindeksi (BMI), oireiden kehitysaika tunteina, edellinen kivunlievitys ja ruumiinlämpö.
klassisissa malleissa mukana olleet kliiniset muuttujat kerättiin: samanlainen aikaisempi kipu, Blumberg-merkki (positiivinen tai ei), kivun siirtyminen, lisääntynyt kipu yskän yhteydessä, lisääntynyt kipu mobilisaation yhteydessä, pahoinvointi / oksentelu, ruokahaluttomuus, ripuli ja ummetus. Mukana analyysitietoja: leukosyyttien määrä (solumäärä×109), neutrofiilien prosenttiosuus ( % ) ja seerumin CRP-taso (mg/dL). Analyysimenetelmänä käytettiin sairaalalaboratorion standardimenetelmää. Seurannan aikana kirjattiin muun muassa, joutuiko potilas sairaalahoitoon, tehtiinkö leikkaus ja diagnoosi jakson lopussa. Neljä diagnostista ryhmää perustettiin: ei-spesifinen RIF-kipu (NsP), kun oireet palautuivat ja potilas kotiutettiin; AA, kun potilas leikattiin ja patologinen anatomia oli yhdenmukainen; vatsakipu RIF: ssä ilman tulehdusta (NIRIF) ja vatsakipu Rif: ssä tulehduksen kanssa (IRIF). Tulehdus määriteltiin Rif-kivun lisäksi vähintään 2 kliiniseksi oireeksi: lämpötila >38°C tai
°c, syke >90bpm, hengitystiheys yli 20 hengitystä minuutissa tai pCO2 mmHg, veren leukosyytit >12000/ml tai
Alvaradon, 4 air6: n ja fenyö-lindberg5: n algoritmien arvot laskettiin.
tilastollinen analyysi
muuttujat ilmaistaan keskiarvona ja keskihajontana tai prosentteina. Ryhmien (4 luokkaa) vertailussa käytettiin kvalitatiivisten muuttujien khi-potenssitestiä ja jatkuvien muuttujien nonparametritestiä Kruskal–Wallis. P-arvo
luokituspuumalli luotiin SPSS® – ohjelman Vastausmoduulin (versio 20.0) avulla. Chi-Square Automatic Interaction Detection (chaid) – vaihtoehtoa käytettiin siten, että lopettamisperuste rajoitettiin vähintään 15 potilaan määrään terminaalisolmua kohti.8
ANN-malli toteutettiin käyttäen Alyuda® (Neurointelligence) – ohjelmaa, joka sisältää monikerroksisen Perceptron-menetelmän ja vastapropagaation.9
strategia muuttujien sisällyttämiseksi malleihin oli ”full model” – tyyppi (kaikkien ehdokasmuuttujien sisällyttäminen); molemmissa malleissa on automaattinen muuttujan valinta merkitsevyyden tai hierarkian mukaan. Kahden mallin sisäinen validointi toteutettiin ristivalidointina (10 osiota). Mallien syrjivä kapasiteetti määritettiin laskemalla ROC-käyrän mukainen pinta-ala ja oikean luokituksen prosenttiosuudet (PCC).10
tulokset
295 potilasta, joilla oli kipua RIF-tutkimuksessa, ja 43 jätettiin tutkimatta: 15 potilasta, joille oli aiemmin tehty umpilisäkkeen poisto, 5 potilasta, joilla oireet etenivät alle 6 tuntia ja 23 potilasta, joilla seuranta puuttui. Lopulliseen tutkimusryhmään kuului 252 potilasta (Kuva. 1).
tästä kokonaismäärästä sairaalaan otettiin 121 potilasta, joista 107 hoidettiin kirurgisesti. Tapaukset määriteltiin diagnostisten ryhmien mukaan: 114 NsP-tapausta, 93 AA-tapausta, 30 NIRIF-tapausta ja 15 IRIF-tapausta. NIRIF-luokitukseen sisältyvät diagnoosit olivat: 11 virtsatieinfektiotapausta, 7 munuaiskoliikkitapausta, 5 akuuttia gastroenteriittiä, 2 osittaista suolitukosta, yksi munasarjakysta ja 4 ”muuta diagnoosia”. Irif-ryhmään kuuluvat diagnoosit olivat: 5 sisäsynnytintulehdustapausta, 4 akuuttia pyelonefriittia, 2 tubo-munasarjapaisetta, 2 akuuttia divertikuliittia, yksi akuutti kolekystiitti ja yksi tulehduksellinen suolistosairaus.
taulukossa 1 on esitetty 4 diagnostisen ryhmän potilaiden kliiniset ominaisuudet. Yleensä potilaat ovat nuoria, eikä eroja sukupuolen mukaan ole.
taulukossa 2 on esitetty tutkittujen klassisten mallien analyyttiset muuttujat ja pisteet. Jos laskemme ROC–käyrät (AUC) yhden AA–diagnoosin pisteistä verrattuna 3 jäljellä olevaan diagnoosiin, saamme 0, 82 (0, 76–0, 87) Alvaradon pisteelle, 0, 83 (0, 77-0, 88) Airille ja 0, 88 (0, 84-0, 92) Fenyö-Lindbergille.
analyyttiset ominaisuudet ja Alvaradon, ilman ja Fenyö-Lindbergin pisteet Diagnostiikkaryhmittäin (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: akuutti umpilisäkkeen tulehdus; ilma: umpilisäkkeen tulehdusreaktio; IRIF: RIF-kipu, johon liittyy tulehdus; NIRIF: RIF-kipu, johon ei liity tulehdusta; NsP: epäspesifinen RIF-kipu; CRP: C-reaktiivinen proteiini.
arvot keskiarvona±SD.
ryhmien välinen vertailu Kruskal–Wallis-testillä.
CHAID-Luokituspuumalli
CHAID-malli valittu 6 muuttujaa: leukosyyttien määrä, CRP, kivulias yskä, Blumberg-merkki, sukupuoli ja evoluution aika.
automaattisesti valittujen muuttujien hierarkia on esitetty kuvassa. 2. Ensimmäinen on leukosyyttien määrä ja cut-off-pisteen mukaan (määritetään myös automaattisesti) otetaan mukaan seuraavat muuttujat. Malli määrittää 10 päätöksentekosääntöä, jotka ovat lopulliset solmut.
CHAID decision tree with 10 reglas de decisión-nodos finales.
lopulliset solmut (Kuva. 2) voidaan luokitella 3 luokkaan. Solmut 10, 11 ja 13 osoittavat selkeän luokituksen NsP-diagnostiikkaryhmälle, solmut 7, 14 ja 17 AA-diagnoosille ja solmut 5, 12, 15 ja 16, joiden luokitus on vähemmän selkeä (sisältää NIRIF-ja IRIF-diagnoosit), mitä voidaan pitää erityisenä. Esimerkiksi nämä erityisryhmät vaativat enemmän ultraäänitutkimuksia verrattuna ryhmiin, joiden luokitus oli selkeämpi (41.6 vs. 21.1; p
.01).Keinotekoinen Neuroverkkomalli
luotu ANN-malli valitsee automaattisesti 10 muuttujaa: Blumberg-merkki, kipusiirtymä, lisääntynyt kipu, lisääntynyt kipu liikkuessa, kipu yskiessä, anoreksia, lämpötila, leukosyyttien määrä, evoluution tunnit ja CRP-tasot. Automaattisesti luotu arkkitehtuuri koostuu tulokerroksesta (jossa on 10 valittua muuttujaa), piilotetusta kerroksesta, jossa on 12 solmua ja ulostulokerroksesta, jossa on mahdollisuus 4 diagnostiseen ryhmään. Malli määrittää kullekin potilaalle (Rekisteri) diagnostisen ryhmän 4 mahdollisesta diagnostisesta todennäköisyydestä. ANN-malli määrittää myös, että muuttuja, jolla on eniten painoa, on leukosyyttien määrä.
taulukossa 3 verrataan ANN-mallia ja CHAID-luokittelupuuta. PCC-prosenttiosuuksien tai laskettujen ROC-käyrien välillä ei ole merkittäviä eroja.
Keskustelu
tätä tutkimusta verrattiin muihin RIF: n kipukirjallisuudessa julkaistuihin tutkimuksiin (Taulukko 4). Otoskoot tarkistettiin, ja niissä ilmeni huomattavaa vaihtelua (suurin osa vaihteli 139-545 potilaan välillä, suurin 941 potilaan välillä).19
kuvaile Tutkimuksemme vertailua muihin julkaistuihin artikkeleihin RIF painista.
| 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: ultraääni; RIF: oikea suoliluun fossa; HOSP: sairaalapotilaat; P: prospektiivinen; R: retrospektiivinen; LR: logistinen regressiomalli; SUSP AA: epäilty AA; CT: tietokonetomografia; ER: ensiapu; VAL: validointi.
yksi tutkimuksemme kannanotoista on 4 luokitteluryhmän käyttö. Meidän sarjassamme suurin potilasryhmä oli NsP group. Tutkimuksissa, jotka tehtiin useammilla valikoiduilla potilailla (sen jälkeen, kun potilaat olivat läpäisseet ensimmäisen ’suodattimen’ ensiapuun), tämä ryhmä pieneni enemmän.13,14
AA-ryhmään kuuluivat kaikki ne potilaat, jotka otettiin leikkausosastolle ja hoidettiin kirurgisesti epäiltyä AA: ta varten, jonka diagnoosi vahvistettiin anatomisella patologialla. Näiden potilaiden osuus vaihteli eri julkaistujen tutkimusten mukaanottokriteerien mukaan.17
tutkimuksessamme AA-diagnoosi määritettiin anatomisen patologian perusteella. Jos otimme huomioon potilaat, joilla epäiltiin olevan AA, joille tehtiin leikkaus, huomasimme, että vain 6 (5, 7%) potilasta ei esittänyt AA: n anatomista patologista diagnoosia (3 ja lopullinen diagnoosi NsP ja 3 IRIF). Tämä prosenttiosuus (5,7%) negatiivisista liitteistä on pienempi kuin muiden sarjojen raportit, jotka vaihtelivat 10-23%: n välillä.7,11,15
uskomme, että kahden muun NIRIF-ja IRIF-diagnostiikkaluokan käyttö antaa laajemman kuvan ongelmasta ja luokituksen, joka käyttäytyy eri tavalla diagnoosin määrittämisessä (tarvitaan lisää kuvantamistestejä) sekä hoidon ja ennusteen.
luokittelupuihin perustuvan mallin, joka meidän tapauksessamme on CHAID-tyyppi, suurin etu on se, että malli on helppo tulkita. Syntyvissä luokittelusäännöissä ovat mukana kaikki mahdolliset potilaat ja eri alaryhmien näkökohdat, Kuten ikä ja sukupuoli.20,21
CHAID-mallissa on havaittu, että tärkein muuttuja on leukosyyttien määrä (samaan aikaan ANN-mallin kanssa). CHAIDIIN kuuluu myös toisen linjan CRP-taso. On myös mielenkiintoista huomata, että kliininen muuttuja mukana on kipu, kun yskä. Kliinisen tutkimuksen aikana tämä kipu ei riipu tutkimusmatkailijasta vaan liikkumavarasta, joka on kaukana suorasta vatsan tutkimuksesta. Tuotetut 10 luokittelusääntöä on ryhmitelty pääasiallisen diagnostisen mahdollisuuden mukaan. Selkeämpiä sääntöjä löytyy NsP: n ja AA: n (jota kutsumme ”erityiseksi”) diagnosoinnille, jossa erotusdiagnoosi saa suuremman näkyvyyden, koska NIRIF-ja IRIF-ryhmät ovat enemmän läsnä.
muitakin sarjoja on julkaistu käyttäen erilaisia luokituspuumenetelmiä, kuten CART, mutta ne vain eriytyivät AA: n ja ei-AA: n välillä. Malleja on tehty myös kliinisistä ja analyyttisistä muuttujista, 22 käyttäen alvarado23: n yhdistelmää ja lisäämällä kuvantamistestejä.24
ANN-mallilla saavutetaan hyväksyttävät erotuskyvyn arvot. Tämän mallin haittapuolena on se, että se toimii kuin ”musta laatikko” eikä sitä voida tulkita yksinkertaisella tavalla kliiniseen käyttöön, koska se koostuu 480 parametreista (10×12×4), jotka sisältävät kaikki syöttömuuttujien, piilotetun kerroksen ja lähtösolmujen väliset vuorovaikutukset. Tietokone on tarpeellinen sen käyttöön, ja se toimii vertailevana mallina. Annissa käytetään kaikkia käytettyjen muuttujien yhteenliittymiä, eikä se ole CHAID-pohjaista mallia tarkempi. Muissa tutkimuksissa on käytetty Annia AA: n diagnosoinnissa (keskittyen vain AA: han ja ei-AA: han).25
tässäkin tutkimuksessa on useita rajoituksia. Tärkein on käytettyjen ryhmien tehtävä. Nämä ovat ryhmiä, joita kirjallisuus ei ole vahvistanut, ja AA: ta pidetään tulehduksellisena prosessina. Olisi mielenkiintoista saada suurempi otoskoko, erityisesti NIRIF-ja IRIF-diagnostiikkaryhmissä. Tutkimuksen puolustukseksi uskomme, että malleilla, joissa vain verrataan AA: ta muihin olosuhteisiin, on vähemmän kapasiteettia käyttää todellista potilashallintaa.
johtopäätöksenä uskomme, että Rif-kipupotilaita hoitavat ammattilaiset voivat hyötyä helposti tulkittavista malleista, jotka tarjoavat luokituksen useammalla kuin kahdella vaihtoehdolla (AA vs. non-AA). Luotu CHAID-malli on saavuttanut tämän tavoitteen, vaikka se pitäisi validoida muissa suuremmissa sarjoissa.
rahoitusta
tämän tutkimuksen tekemiseen ei saatu rahoitusta.
eturistiriidat
meillä ei ole eturistiriitoja ilmoitettavana.