Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.
Artykuł badawczy
* These authors contributed equally
To badanie skonstruowało i zweryfikowało nowy model predykcji ryzyka niedożywienia dla pacjentów z chorobą Crohna, stosując metaanalizę, wielowymiarową regresję logistyczną i uczenie maszynowe. Model wykazał dobrą wydajność predykcyjną i użyteczność kliniczną w kierowaniu spersonalizowanymi interwencjami żywieniowymi.
Celem niniejszej pracy było skonstruowanie i zweryfikowanie modelu przewidywania ryzyka niedożywienia łączącego regresję logistyczną wielowymiarową i uczenie maszynowe dla pacjentów z chorobą Leśniowskiego-Crohna (CD), w celu poprawy dokładności identyfikacji ryzyka niedożywienia poprzez integrację markerów zapalnych i cech choroby. Systematycznie przeszukano bazy PubMed, Web of Science, Cochrane Library, Embase oraz China National Knowledge Infrastructure (CNKI) w celu zidentyfikowania czynników ryzyka związanych z niedożywieniem u pacjentów z CD. Do metaanalizy włączono wysokiej jakości badania stosujące kryteria Global Leadership Initiative on Malnutrition (GLIM) 2019, kryteria European Society for Clinical Nutrition and Metabolism (ESPEN) 2015 lub kryteria Malnutrition Universal Screening Tool (MUST), podczas gdy w badaniu kohortowym zastosowano wyłącznie kryteria ESPEN 2015, aby zapewnić spójne określenie wyników. Model przewidywania został opracowany na podstawie danych 800 pacjentów z CD z bazy Inflammatory Bowel Disease Cohort Database (IBDCD) i zweryfikowany za pomocą bootstrap resampling oraz niezależnego, nienachodzącego się podzbioru 280 pacjentów z tej samej bazy. Wynik modelu oceniono na podstawie powierzchni pod krzywą charakterystyki odbiornika (AUC), testu Hosmera–Lemeshow oraz wskaźnika Brier. Nie zaobserwowano istotnych różnic początkowych między kohortami treningowymi i walidacyjnymi. Model osiągnął AUC 0,987 w kohorcie treningowej i 0,967 w kohorcie walidacyjnej, co wskazuje na dobrą dyskryminację i kalibrację. Analiza krzywych decyzji dalsze wykazała klinicznie istotne korzyści netto przy odpowiednich prawdopodobieństwach progowych. Ten model skutecznie identyfikuje ryzyko niedożywienia u pacjentów z CD i może wspierać spersonalizowane interwencje żywieniowe, optymalizować podejmowanie decyzji klinicznych oraz poprawiać wyniki leczenia i jakość życia pacjentów. Przyszłe badania wieloośrodkowe są wymagane, aby dalsze zweryfikować ogólność modelu i ocenić integrację czynników socjoekonomicznych w celu dalszej optymalizacji.
Choroby Crohna (CD) jest przewlekłym, postępującym, zapalnym schorzeniem jelit (IBD) o wieloczynnikowej etiologii, a jego globalne obciążenie wzrosło znacznie w ostatnich latach1. Badania epidemiologiczne wskazują, że choć CD pozostaje częstsze w krajach zachodnich, zachorowalność i częstość występowania CD w populacjach azjatyckich, szczególnie w Chinach, znacznie wzrosły w ciągu ostatnich trzech dekad1.
Niedokrwistość jest jednym z najczęstszych i klinicznie znaczących powikłań u pacjentów z CD.^2 Około jednej trzeciej do połowy pacjentów z CD doświadcza umiarkowanej do ciężkiej niedożywienia2. Niedożywienie wiąże się z przedłużającą się hospitalizacją, zwiększonymi wymaganiami chirurgicznymi, wyższymi wskaźnikami powikłań pooperacyjnych, przyspieszonym zwłóknieniem jelit, zwiększoną uzależnieniem od glikokortykoidów, obniżoną odpowiedzią terapeutyczną i pogorszeniem jakości życia związanej ze zdrowiem (HRQoL)3,4. Ponadto niedożywienie przyczynia się do dysfunkcji układu odpornościowego, zaostrzając w ten sposób zapalenie jelit i tworzy zamknięte koło, które nakłada znaczne obciążenia socjoekonomiczne i służby zdrowia3,4.
Obecnie w praktyce klinicznej stosuje się kilka narzędzi do oceny żywienia; jednak ich przydatność dla pacjentów z CD pozostaje ograniczona5. Pacjent-Generowany Subiektywny Globalny Assessment (PG-SGA), choć zalecany do przesiewowego badania żywienia u pacjentów z przewlekłymi chorobami, opiera się w dużej mierze na subiektywnej ocenie klinicznej i wykazuje ograniczoną spójność wśród klinicystów, gdy jest stosowany do populacji z CD6. Ponadto PG-SGA nie ma specyficzności dla niedostatecznego wchłaniania w jelitach. Nutritional Risk Screening 2002 (NRS 2002), który uwzględnia progi oparte na indeksie masy ciała (BMI), wykazał stosunkowo niską czułość w populacjach azjatyckich i może przyczyniać się do niewłaściwej diagnozy7. Podobnie, Mini Nutritional Assessment-Short Form (MNA-SF), pierwotnie opracowana dla populacji starszych, wykazuje stosunkowo wysokie wskaźniki fałszywie dodatnich u młodszych dorosłych z CD.
Ważne jest, że większość dostępnych obecnie narzędzi do oceny żywienia opiera się na statycznych systemach punktacji i nie adekwatnie rejestruje dynamiczne wahania stanu żywienia związane z aktywnością choroby w CD8. Ponieważ CD charakteryzuje się naprzemienne okresy remisji i nawrotów, stan żywienia może się pogarszać lub poprawiać z czasem, równolegle do aktywności zapalnej9. Konwencjonalne metody oceny nie posiadają zdolności do przeprowadzania dynamicznej stratyfikacji ryzyka i mogą w ten sposób nie rozpoznawać wczesnych subklinicznych pogorszeń stanu żywienia. Co więcej, wiele istniejących narzędzi nie uwzględnia biomarkerów specyficznych dla choroby czy wskaźników zapalenia, takich jak białko C-reaktywne (CRP), albuminy surowicy i kalprotektyny kału, co ogranicza ich dokładność predykcyjną w złożonych ustawieniach klinicznych10.
Ostatnie osiągnięcia w sztucznej inteligencji i uczeniu maszynowym (ML) stworzyły nowe możliwości poprawy oceny ryzyka żywieniowego w przewlekłych chorobach zapalnych11. W porównaniu z tradycyjnymi podejściami regresyjnymi, algorytmy ML mogą identyfikować nieliniowe związki i złożone interakcje między zmiennymi, co czyni je szczególnie przydatnymi dla zróżnicowanych zbiorów danych klinicznych z wielowymiarowymi predyktorami. Rozwijające się dowody sugerują, że modele predykcyjne ryzyka żywieniowego oparte na ML mogą przewyższać konwencjonalne podejścia statystyczne w przewidywaniu pogorszenia żywienia u pacjentów z IBD12. Oprócz poprawy predykcyjności, podejścia ML mogą zmniejszyć wielokolinearność poprzez techniki regulowania i optymalizować wybór predyktorów w celu poprawy interpretowalności i ogólności modeli13,14.
Rosnąca dostępność dużych publicznych baz danych wzmocniła dalsze badania związane z żywieniem w CD. Międzynarodowe bazy danych, w tym IBD Biobank, National Health and Nutrition Examination Survey (NHANES) oraz UK Biobank, zawierają rozległe danych klinicznych longitudinalnych obejmujących wskaźniki żywieniowe, biomarkery zapalne, informacje genomowe i cechy stylu życia15,16,17. Integracja tych wielowymiarowych zbiorów danych umożliwia walidację między populacyjną i poprawia zewnętrzną przydatność modeli predykcyjnych. Metaanalizy wykazały, że modele predykcyjne opracowane na podstawie zintegrowanych zbiorów danych wieloośrodkowych wykazują większą stabilność i powtarzalność niż modele pochodzące z jednośrodkowych kohortach.
Niniejsze badanie zakładało, że integracja wielowymiarowych zmiennych predykcyjnych, w
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Wszyscy pacjenci, których dane zostały wprowadzone do bazy danych kohorty chorób zapalnych jelit (IBDCD) zgodzili się na użycie anonimizowanych danych klinicznych do celów badawczych w momencie zapisu do bazy. Ten sam wzór zgody etycznej i aprobaty zastosowano do wszystkich danych wyodrębnionych z bazy, w tym do zarówno kohorty rozwojowej, jak i walidacyjnej. W niniejszym badaniu nie użyto żadnych identyfikowalnych informacji o pacjentach, a wszystkie dane zostały anonimizowane i zaszyfrowane w celu przechowywania. Ponieważ niniejsze badanie polegało na retrospektywnej analizie anonimizowanych danych z ustanowionej bazy danych, komitet etyczny zrezygnował z wymogu uzyskania dodatkowej zgody pacjentów na tę specyficzną analizę. Narzędzia badawcze użyte w protokołach są wymienione w Tabeli materiałów.
1. Przesiewanie czynników wpływających w metaanalizie
2. Przesiewanie literatury i wyodrębnianie danych
Przeszukiwanie literatury i wyodrębnianie danych były prowadzone niezależnie przez dwóch badaczy, aby zapewnić kompletność i dokładność. W początkowej fazie polegało to na przesiewaniu tytułów i abstraktów w celu wykluczenia badań, które wyraźnie nie spełniały kryteriów włączenia, zmniejszając w ten sposób zestaw danych do potencjalnie istotnych, wysokiej jakości badań.
Następnie, pełnotekstowe przeszukiwanie zostało przeprowadzone na badaniach uznawanych za potencjalnie kwalifikowalne. Na tym etapie przeprowadzono szczegółową ocenę projektu badań, metodologii, wyników i przestrzegania wcześniej zdefiniowanych kryteriów włączenia, aby upewnić się, że tylko badania spełniające wszystkie wymagania zostały włączone do końcowej analizy.
Wydobycie danych było przeprowadzane za pomocą standaryzowanych form w celu systematycznego rejestrowania kluczowych informacji, w tym nazwisk autorów, roku publikacji, kraju, wielkości próby, dystrybucji podtypu klasyfikacji Montreal, średniej długości choroby, definicji niedożywienia, narzędzi oceny oraz wyodrębnionych ORs z odpowiadającymi im 95% CI dla czynników wpływających na ryzyko niedożywienia.
Wszelkie rozbieżności lub niejasności pojawiające się podczas przesiewania i wyodrębniania danych były rozwiązywane poprzez wewnętrzne dyskusje. Gdy nie udało się osiągnąć konsensusu, skonsultowano eksperta z zewnątrz, aby zadecydował, minimalizując subiektywne uprzedzenia i zapewniając obiektywne podejmowanie decyzji. Ten rygorystyczny proces poprawił przejrzystość metodologiczną i zapewnił solidną podstawę
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Podstawowe cechy populacji badanej
Niniejsza metaanaliza uwzględniała 17 wysokiej jakości badań oceniających niedożywienie u pacjentów z chorobą Leśniowskiego-Crohna, jak podsumowano w Tabeli 1 dodatkowej. Badania zostały opublikowane między 2009 a 2025 rokiem, przy czym średnia wielkość próby wynosiła 502 pacjentów (zakres: 175–773). Projekty badań obejmowały prospektywne kohorty, retrospektywne kohorty, przypadki i kontrole, przekrojowe oraz badania mieszane, przy czym badania mi...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Choroby Crohna (CD) jest przewlekłą, nawracającą chorobą zapalną jelit, która może wpływać na każdą część przewodu pokarmowego1,35,36,37. Etiologia CD pozostaje niejasna i sądzi się, że obejmuje wiele czynników, w tym wrażliwość genetyczną, narażenie na czynniki środowiskowe i dysregulację układu odpornościowego. Typowe objawy kliniczne obejmują ból brzucha, biegunkę, utratę wagi i tworzenie si...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Autorzy deklarują brak konfliktów interesów.
| Nazwa | Firma | Numer katalogowy | Komentarze |
|---|---|---|---|
| RevMan software | Cochrane Collaboration | 5.4 | Profesjonalne oprogramowanie do metaanalizy opracowane przez Cochrane Collaboration jest głównie używane do formułowania przeglądów systematycznych i metaanaliz, wprowadzania danych oraz wizualizacji wyników. |
| R software | The R Project for Statistical Computing | 4.2.1 | R jest gałęzią języka S, który był szeroko stosowany w dziedzinie statystyki i powstał około 1980 roku. Można go uważać za implementację języka S. Język S, opracowany przez AT&T Bell LABS, jest językiem interpretacyjnym służącym do eksploracji danych, analizy statystycznej i sporządzania wykresów |