Migliorare le previsioni sui risultati dell'intervento chirurgico per l'epilessia

Molte persone con epilessia non trovano sollievo dalle loro Crisi nemmeno dopo un intervento chirurgico. Circa un Paziente su tre che si sottopone a un intervento per epilessia resistente ai farmaci continua ad avere crisi. Questa situazione rende fondamentale scoprire quali pazienti sono più propensi a beneficiare dell'intervento prima che questo avvenga.

#Selezione dei Pazienti per l'Intervento

Scegliere i pazienti giusti per l'operazione viene solitamente fatto da un team di esperti, compresi medici di diverse specialità. Questo processo decisionale si basa su esperienza e studi disponibili, ma non prevede sempre con precisione chi avrà un esito positivo. Alcune ricerche hanno fornito tassi di successo medi per specifici tipi di epilessia, mentre altri studi hanno esaminato vari fattori che potrebbero determinare il successo. Tuttavia, spesso non considerano come questi fattori interagiscano tra loro.

Per fornire previsioni migliori ai pazienti, i ricercatori hanno creato modelli statistici che mirano a calcolare la probabilità che un paziente sia libero da crisi dopo l'intervento. Alcuni di questi strumenti, come il Nomogramma per la Chirurgia dell'Epilessia, il Punscore di Libertà dalle Crisi modificato e la Scala di Valutazione della Chirurgia dell'Epilessia, cercano di offrire proiezioni personalizzate, ma non hanno avuto successo maggiore rispetto al giudizio degli esperti da soli.

#Il Ruolo del Machine Learning

Il machine learning sta diventando sempre più popolare nella ricerca clinica, soprattutto per prevedere gli esiti nell'intervento chirurgico per epilessia. Il processo chirurgico coinvolge molti tipi diversi di informazioni e dati, rendendolo un buon candidato per i metodi di machine learning. Sono stati sviluppati diversi modelli per predire gli esiti, ma la maggior parte di essi si basa su piccoli gruppi di pazienti. Questo può creare problemi perché un Modello che funziona bene su un piccolo gruppo potrebbe non funzionare altrettanto bene su un gruppo più grande e diverso.

Un problema comune è l'"overfitting", dove un modello è troppo adattato ai dati su cui è stato addestrato, e quindi performa male su nuovi dati. Molti di questi modelli predittivi si sono concentrati principalmente su pazienti che hanno subito interventi per epilessia del lobo temporale e spesso si basano su Risultati che non possono essere facilmente ripetuti da altri ricercatori.

#Obiettivi del Nostro Studio

Nel nostro studio, abbiamo cercato di determinare se l'uso di modelli più complessi, gruppi di pazienti più grandi o migliori predittori potesse migliorare la nostra capacità di prevedere gli esiti delle crisi post-intervento. Abbiamo addestrato diversi modelli per vedere quanto bene potevano prevedere se i pazienti sarebbero stati liberi da crisi dopo un anno.

#Informazioni sui Pazienti

Abbiamo esaminato le cartelle cliniche dei bambini che hanno subito interventi chirurgici per epilessia in un ospedale specifico tra il 2000 e il 2018. Ci siamo concentrati sui pazienti che avevano subito resezione chirurgica o disconnessione, escludendo quelli che avevano preso parte a procedure con minor potenziale di sollievo dalle crisi. Solo il primo intervento per ogni paziente è stato incluso nel nostro studio.

Abbiamo raccolto informazioni dettagliate su ciascun paziente, come età, risposta ai farmaci, risultati della risonanza magnetica e interventi effettuati. Al follow-up di un anno, abbiamo classificato i pazienti come liberi da crisi o meno.

#Metodi di Analisi

Abbiamo calcolato statistiche di base per descrivere il nostro gruppo di pazienti. Abbiamo esaminato le relazioni tra diversi fattori, inclusi i dati demografici dei pazienti e i dettagli clinici, e abbiamo utilizzato vari test statistici per determinare se alcuni fattori fossero associati a esiti chirurgici migliori.

Nella nostra analisi, abbiamo utilizzato modelli di regressione logistica per vedere quali fattori fossero buoni indicatori di se un paziente sarebbe stato libero da crisi dopo l'intervento. Abbiamo confrontato diversi gruppi per vedere se alcuni avessero esiti migliori di altri.

#Efficacia del Modello

Abbiamo addestrato modelli diversi per vedere quanto bene prevedessero gli esiti chirurgici. Uno di essi era un classico modello di regressione logistica, mentre gli altri erano modelli di machine learning più avanzati. Abbiamo anche applicato un modello di machine learning già pubblicato ai nostri dati per confronto.

Quando abbiamo confrontato le prestazioni dei nostri modelli, abbiamo scoperto che il modello di regressione logistica ha funzionato bene, raggiungendo un'accuratezza di circa il 72%. Gli altri modelli hanno avuto prestazioni simili, mentre il modello esterno di machine learning non ha funzionato bene come i nostri modelli.

#Impatto della Dimensione del Campione

Per vedere come la dimensione del campione abbia influenzato le prestazioni dei modelli, li abbiamo addestrati su numeri diversi di pazienti, partendo da 70 fino a 700. Abbiamo scoperto che avere una dimensione del campione più grande migliorava l'accuratezza del modello, ma solo fino a un certo punto. Dopo circa 400 pazienti, aggiungere altro non ha portato guadagni significativi.

#Scelta dei Predittori Clinici

Nella nostra analisi, abbiamo anche esaminato come il numero e il tipo di fattori inclusi nei modelli predittivi potessero influenzare le loro prestazioni. Abbiamo trovato che utilizzare solo i fattori più informativi, basati su analisi precedenti, dava i risultati migliori. Quando venivano inclusi fattori meno utili, i modelli performavano peggio.

#Conclusione

Nonostante i progressi, prevedere con precisione gli esiti delle crisi dopo l'intervento è una sfida. Le nostre scoperte mostrano che i metodi statistici tradizionali possono funzionare altrettanto bene quanto i modelli di machine learning più complessi. I modelli semplici sono spesso più facili da capire e implementare nella pratica reale.

È chiaro che avere un gruppo di pazienti più grande aiuta a migliorare le prestazioni del modello, ma solo fino a un certo punto. Inoltre, selezionare attentamente quali fattori includere nei modelli è fondamentale per evitare di ridurre il loro potere predittivo.

Gli sforzi futuri dovrebbero concentrarsi sull'assicurare che i dati vengano raccolti in modo standardizzato in diversi centri per facilitare la condivisione e la validazione dei modelli. Questa collaborazione potrebbe portare allo sviluppo di strumenti predittivi migliori che potrebbero infine aiutare i medici a prendere decisioni più informate riguardo i candidati per la chirurgia dell'epilessia.

Collaborando, ricercatori e professionisti medici possono migliorare gli esiti per i pazienti con epilessia e dare loro una migliore possibilità di diventare liberi da crisi dopo l'intervento.