Krooninen sairaus

tiivistelmä

Background

Koska useimmat julkaistuja artikkeleita verrataan suorituskykyä keinotekoinen neuroverkko (ANN) mallit ja logistinen regressio (LR) mallit ennustavat maksasolusyövän (HCC) tuloksia käytetään vain single aineisto, olennainen kysymys sisäisten voimassaolon (toistettavuus) mallien ei ole käsitelty. Tutkimuksessa tarkoituksiin validoimaan ANN mallin ennustamiseen Sairaalakuolleisuus HCC leikkauspotilas Taiwanissa ja vertailla ennustavan tarkkuus ANN kanssa LR malli.

Menetelmät /Principal Havainnot

Potilaat, jotka tehtiin HCC leikkauksen aikana 1998-2009 olivat mukana tutkimuksessa. Tutkimuksessa takautuvasti verrattiin 1000 paria LR ja ANN mallit perustuvat alkuperäiseen kliinisiä tuloksia 22926 HCC leikkauspotilaat. Kunkin parin ANN ja LR malleissa ala vastaanotin toimii ominaisuus (AUROC) käyrät, Hosmer-Lemeshowin (H-L) tilastoja ja tarkkuudella määrä laskettiin ja verrattiin käyttämällä pariksi T-testejä. Globaali Herkkyysanalyysi suoritettiin myös arvioida suhteellinen merkitys syöteparametrien järjestelmässä malli ja suhteellinen merkitys muuttujia. Verrattuna LR malleja, ANN malleissa oli parempi tarkkuus korko 97,28%: ssa tapauksista, parempi H-L tilastotieto 41,18%: ssa tapauksista, ja parempi AUROC käyrä 84,67%: ssa tapauksista. Kirurgi volyymi oli kaikkein vaikutusvaltaisin (herkkä) vaikuttavan parametrin Sairaalakuolleisuus seurasi iän ja pituudet oleskelun.

Johtopäätökset /merkitys

Verrattuna tavanomaiseen LR malli, ANN malli tutkimuksessa oli ennustavat Sairaalakuolleisuus ja oli korkeampi yleistä suorituskykyä indeksit. Lisätutkimukset Tämän mallin voi harkita vaikutusta yksityiskohtaisempi tietokanta, joka sisältää komplikaatioita ja kliinisen tutkimuksen löydökset sekä tarkempia tuloksia oli käytetty.

Citation: Shi HY, Lee KT, Lee HH, Ho WH, Sun DP, Wang JJ, et ai. (2012) vertailu Artificial Neural Network ja Logistinen regressio mallit ennustamiseen Sairaalakuolleisuus jälkeen ensisijainen maksasyövän Surgery. PLoS ONE 7 (4): e35781. doi: 10,1371 /journal.pone.0035781

Editor: William B. Coleman, University of North Carolina School of Medicine, Yhdysvallat

vastaanotettu: 05 tammikuu 2012; Hyväksytty: 21 maaliskuu 2012; Julkaistu: 26 huhtikuu 2012

Copyright: © 2012 Shi et al. Tämä on avoin pääsy artikkeli jaettu ehdoilla Creative Commons Nimeä lisenssi, joka sallii rajoittamattoman käytön, jakelun ja lisääntymiselle millä tahansa välineellä edellyttäen, että alkuperäinen kirjoittaja ja lähde hyvitetään.

Rahoitus: Tämä työ tuettiin osittain National Science Council, Taiwan, Kiina, alla lupanumeroita NSC 99-2320-B-037-026-My2 ja NSC 99-2314-B-037-069-MY3. Rahoittajat ollut mitään roolia tutkimuksen suunnittelu, tiedonkeruu ja analyysi, päätös julkaista tai valmistamista käsikirjoituksen. Ei ylimääräistä ulkoista rahoitusta saanut tätä tutkimusta.

Kilpailevat edut: Kirjoittajat ovat ilmoittaneet, etteivät ole kilpailevia intressejä ole.

Johdanto

maksasolusyövän (HCC) on yleistä alueilla Aasian, Välimeren alueen ja Etelä-Afrikassa. Taiwanissa, hepatiitti B-virus (HBV) ja hepatiitti C -viruksen (HCV) epidemian alue, HCC on johtava syy syöpäkuolemista miehillä [1]. Ilmaantuvuus HCC myös lisääntynyt sekä Yhdysvalloissa ja Yhdistyneessä kuningaskunnassa viimeisen kahden vuosikymmenen aikana [1] – [3]. Ennuste on yleensä synkkä, ja ainoa tunnettu parantava hoidot ovat kirurginen eli maksan resektio tai maksansiirtoa. Lisäksi prosenttiosuus potilaista asianmukaiset merkinnät leikkaukseen ovat suhteellisen pieniä [2]. Viime vuosina tutkimukset kirurginen hoito HCC ja muita sairauksia ovat yrittäneet kehittää malleja ennustamaan kirurgisen tulos [4] – [6]. Kuitenkin tulos ennustemallit hyväksyttävällä tarkkuudella on ollut vaikea kehittää [7].

Neuroverkkoja (Anns) ovat monimutkaisia ​​ja joustavia epälineaarinen, joiden ominaisuudet eivät löydy muista mallintamisjärjestelmät. Näitä ominaisuuksia ovat vankkaa suorituskykyä käsiteltäessä meluisa tai puutteellinen panos kuvioita, korkea vikasietoisuutta, ja kyky yleistää lähtötiedot [8], [9]. Vaikka monia erilaisia ​​Anns on kehitetty, yhteinen piirre on toisiinsa joukko solmuja useita kerroksia, joissa panos solmut ja lähtösolmut olla kliinistä korreloi [10]. Hidden solmuja, joita yhdistää tulot ja lähdöt, anna epälineaarinen vuorovaikutus syöttömuuttujat ja ei ole reaalimaailman korreloi. Solmut on yhdistetty linkkejä, joista kullakin on siihen liittyvä paino. Tämä verkko on ”koulutettu” altistuminen tuloa pariksi tunnettujen lähdöt, ja oppiminen tapahtuu, kun painot solmujen välillä muutetaan palautteen mukaan [8] – [10]. Laskennallinen tehoon ANN on peräisin hajautettu luonne yhteyksiä. Kun malli on koulutettu, ennustus lähdöt voidaan luoda uusia kirjaa [8] – [10].

Edellinen vertailuja logistinen regressio (LR) ja ANN malleja ennustamaan tuloksia HCC leikkaus ovat osoittaneet suuria puutteita [ ,,,0],11], [12]. Ensinnäkin harvat ovat käyttäneet pitkittäisleikkaustiedot yli kaksi vuotta. Toiseksi käytetyt tiedot useimmissa tutkimuksissa ovat olleet HCC potilasryhmissä Yhdysvalloissa tai Taloudellisen yhteistyön ja kehityksen järjestön (OECD) maat, jotka voivat olennaisesti erota Taiwanissa. Kolmanneksi, tutkimuksia ei pidetä ryhmä eroja muiden tekijöiden, kuten ikä, sukupuoli ja kirurgiset hoito. Lopuksi, koska useimmat julkaistuja artikkeleita verrataan suorituskykyä ANN mallien ja LR malleja ennustamaan HCC tuloksia käytetään vain yksi aineisto, olennainen kysymys sisäisten voimassaolon (toistettavuus) mallien ei ole käsitelty.

Siksi ensisijaisena tavoitteena oli tutkia validoimaan ANN malleja ennustamaan Sairaalakuolleisuus HCC leikkauspotilas. Toissijainen tavoite oli vertailla tulos ennusteen välillä ANN ja LR malleja.

Materiaalit ja menetelmät

Ethics lausunto

Tässä tutkimuksessa analysoitiin hallinnollisia vaatimuksia saadut tiedot Taiwan Bureau of National sairausvakuutuslain (BNHI). Koska BNHI on ainoa maksaja Taiwanissa, BNHI data asetettiin oletettavasti kaikkein kattavaa ja luotettavaa tietolähdettä tutkimukseen. Koehenkilöt Tutkimuksen rekrytoitiin tarkistamalla kuukausittain potilaan poistoilmoituksissa vapauttaa BNHI. Lisäksi tietokannassa on rekisteri supistui lääketieteelliset laitteet, rekisterin hallituksen sertifioitu lääkärit ja kuukausittain yhteenvedot kaikille laitoshoito vaatimuksia. Koska nämä olivat yhteenlaskettu toissijaisia ​​tietoja ilman henkilötunnus, tämä tutkimus oli vapautettu kokonaisuudessaan uudelleen sisäisen tarkastelun aluksella. Tutkimussuunnitelman mukainen eettisiä standardeja mukaan Helsingin julistuksen julkaistiin vuonna 1964. Lisäksi vaatimus kirjallinen tai suullinen potilaiden suostumus tietojen sidos Tutkimuksen luovuttiin.

Tutkimus Väestö

tutkimuksen otos mukana kaikki potilaat diagnosoidaan pahanlaatuinen kasvain maksan ja intrahepaattinen sappitiehyeiden (ICD-9-CM koodit 155.XX) vuosina 1998-2009 (n = 148018). Kun jätetään muissa kuin ne, jotka olivat saaneet osittaisen hepatektomiaa (ICD-9-CM menettely koodi 50.22) tai maksan lobectomy (ICD-9-CM menettelykoodin 50,3), 24748 määrä pysyi. Potilaat, joilla on toissijainen ja määrittelemätön pahanlaatuinen kasvain (ICD-9-CM koodit 196.XX-199.XX), pahanlaatuinen kasvain intrahepaattinen sappitiehyeiden (ICD-9-CM koodi 155,1), tai pahanlaatuinen kasvain maksan muu kuin ensisijainen tai toissijainen kasvain (ICD-9-CM koodi 155,2) oli myös suljettu pois, mikä jätti näyte 22926 tukikelpoisten aiheiden kanssa ensisijainen maksan pahanlaatuisen, joka oli saanut hepatectomies tutkimusjakson aikana.

Mahdolliset sekoittavien tekijöiden

analysoidut potilasryhmät ja sairaalan ominaisuudet tutkittavassa populaatiossa ikä, sukupuoli, sairauksien yhteisesiintyminen, sairaala tilavuus, kirurgi tilavuus, oleskelun kesto (LOS), ja sairaalahoidon selviytymistä. Co-sairastuvuus arvioitiin käyttäen Charlson kaksoisdiagnoosipotilaille indeksi (CCI) [13]. Jokaisen sairaalan tai kirurgi, HCC tilavuus määriteltiin laskemalla prosenttiosuus HCC leikkauksia koko leikkauksia tehdään vastaavilla sairaalan tai kirurgi tutkimusjakson aikana. Erityisesti HCC volyymi sairaalassa tai kirurgi luokiteltiin matala, keskitaso, korkea, ja hyvin suuri, jos määrä HCC leikkauksia tehdään sairaalasta tai kirurgi tiettynä vuoden tutkimusaikana käsitti $ \\ rasteri = ”RG1” $ 25%, 26% -50%, 51% ~74%, ja $ \\ rasteri = ”RG2” $ 75%: lla, koko kirurgisten suorittamat sairaalan tai kirurgi, joka vuosi.

kehittäminen LR mallin

aineisto oli satunnaisesti jaettu koulutus joukko 18341 tapauksista (80% koko aineisto) ja Koepakettia of 4585 tapausta (20% koko aineisto). Harjoitussarjassa oli tarkoitus rakentaa LR mallia. Ikä, sukupuoli, CCI, sairaala tilavuus, kirurgi tilavuus ja LOS olivat riippumattomia muuttujia, ja tulos (kuolema /selviytyminen) oli riippuva muuttuja. LR mallia testattiin sitten käyttäen testaus aineisto. Nämä vaiheet (satunnaistettu jako aineisto ja regressioanalyysi ottaen samalla muuttujat) toistettiin 1000 kertaa saada 1000 paria koulutuksen ja testauksen aineistot (80% ja 20% alkuperäisestä aineisto, vastaavasti), jotka oli tallennettu edelleen käsiteltäväksi neuroverkko.

kehittäminen ANN mallin

ANN tässä tutkimuksessa käytetty oli vakiorehua eteenpäin, back-eteneminen hermoverkko kolme kerrosta: tulokerroksessa, piilotettu kerros ja lähtö kerros. Monikerroksinen perceptron (MLP) verkko on syntymässä työkalu suunnitteluun erityisryhmien kerroksellinen myötäkytkentäisen verkkojen [14]. Sen tulo kerros koostuu lähdesolmujen, ja sen tuotanto kerros koostuu neuronit; näiden kahden kerroksen yhteyden verkon ulkopuoliseen maailmaan. Lisäksi nämä kaksi kerrosta, MLP on yleensä yksi tai useampi kerros neuronien kutsutaan piiloneuronien koska ne eivät ole suoraan saatavilla. Piilotettu neuronien poimia tärkeitä ominaisuuksia sisältämän lähtötietoja.

MLP on yleensä koulutettu back-lisääminen (BP) algoritmia eteenpäin ja taaksepäin vaiheet [14]. BP oppiminen algoritmi helposti toteutettavissa, ja sen lineaarinen monimutkaisuutta synaptic painot verkko tekee laskennallisesti tehokkaita. Optimaalinen oppimisen tehokkuutta, neuronit ovat yleensä aktivoitu sekä anti-symmetrinen funktio (esim., Hyperbolinen tangentti funktio) ja ei-symmetrinen funktio (esim., Logistinen funktio). Seuraavat ristivalidointi tekniikkaa käytetään optimoida kun MLP verkko harjoitus ”pysähtyy”. Ensinnäkin, yksi arvio osajoukko esimerkeistä käytetään mallin koulutus, ja yksi validointi osajoukko käytetään arvioitaessa mallin tehokkuuden. Neuroverkko on optimoitu käyttäen koulutus tietojoukko. Erillinen koe datasarja käytetään pysäyttämään koulutukseen lieventämiseksi yli istuva. Koulutuksen sykli toistetaan, kunnes testi virhe ei enää pienenee [15], [16].

Tilastollinen

analyysiyksikkö tässä tutkimuksessa oli yksilön HCC kirurgisen potilaan. Data-analyysi suoritettiin useassa vaiheessa. Ensinnäkin, jatkuvia muuttujia testattiin tilastollisen merkitsevyyden mukaan yksisuuntaisella varianssianalyysillä (ANOVA), ja luokan muuttujat testattiin Fisherin tarkka analyysi. Univariate analyysit suoritettiin tunnistaa merkittävät ennustavia (p 0,05). Toiseksi erottelukykyä mallien analysoitiin käyttämällä ala vastaanotin toimii ominaiskäyrät (AUROCs). Täällä, erottelukykyä viittaa kykyyn mallin erottaa ne, jotka kuolivat, jotka selvisivät. Täydellisesti erotteleva malli olisi annettava suurempi todennäköisyys kuolemaan potilailla, jotka kuolivat kuin potilaille, jotka selvisivät. Kolmanneksi suhteellinen kalibrointi malleja verrattiin käyttäen Hosmer-Lemeshowin (H-L) tilastollinen tutkia ennustavan tarkkuus mallien koko alueella vakavuutta. H-L tilastotieto on yksi yhteenveto toimenpide kalibrointi ja perustuu vertailuun havaittujen ja arvioidun kuolleisuutta potilailla ryhmitelty arvioitu kuolevuus [17]. Alempi H-L tilastotieto, sitä parempi yhteensopivuus. Näin ollen täysin kalibroitu malli tulisi olla H-L-arvo on nolla. Lopuksi, herkkyys analyysi suoritettiin arvioimaan, kuinka tärkeää on muuttujien asennettu malleissa. Yksinkertaistaa koulutuksen prosessi, keskeiset muuttujat otettiin käyttöön, ja tarpeettomat muuttujat jätettiin pois. Herkkyysanalyysi suoritettiin myös arvioida suhteellinen merkitys syöteparametrien järjestelmän malli ja sijoitus tärkeyttä muuttujia. Maailmanlaajuinen herkkyys panosmuuttujia vastaan ​​lähtömuuttujaa ilmaistiin suhteena verkon virhe (neliöiden summa jäännösten) tietyn tulon pois verkkoon virhe tulo mukana. Suhde 1 tai alempi osoittaa, että muuttuja vähentää verkon suorituskykyä ja olisi poistettava.

X

1, ikä; X

2, sukupuoli; X

3, Charlson oheissairaudet indeksi; X

4, sairaala tilavuus; X

5, kirurgi tilavuus; X

6, oleskelun kesto; IB, syöttökerrosta bias; HB, piilotettu kerros harhaa.

Jokaista 1000 paria ANN malleja ja LR malleja (koulutettu ja testattu samassa aineistot) tukkuhintaindeksi (tarkkuudella määrä, AUROC, ja HL tilastotieto) laskettiin ja verrattiin käyttämällä pariksi T-testejä.

STATISTICA 10,0 (StatSoft, Tulsa, OK) ohjelmistoa käytetään muodostamaan ANN malleja ja LR malleja suhde tunnistettu ennustajia ja valitut muuttujat (p 0,05).

tulokset

Taulukko 1 esittää potilaan ominaisuudet ja sairaalan ominaisuuksien tutkimuksessa. Keski-ikä tutkimusväestö 58,6 vuotta (keskihajonta 12,7), ja 73,7% potilaista oli miehiä. Yleinen sairaalassa kuolleisuus oli 97,3%. Keskimääräinen CCI tutkimuksessa väestöstä oli 3,6 (keskihajonta 1,6). Taulukossa 2 on esitetty kertoimet Sairaalakuolleisuus saatua koulutusta asetettu LR mallissa. Sairaalakuolleisuus oli merkittävä negatiivinen yhdistyksen iän, miessukupuoli, CCI ja LOS (p 0,05), mutta merkittävä positiivinen yhteys sairaalan volyymin ja kirurgi tilavuus (p 0,05).

ANN-pohjainen lähestymistapoja käytetään 3-kerroksen verkkoja ja suhteellinen painot neuronien ennustaa Sairaalakuolleisuus. MLP malli sisältyi 6 tuloa (eli ikä, sukupuoli, CCI, sairaala tilavuus, kirurgi tilavuus, ja LOS), 1 bias neuroni panos kerroksen 3 piilotettu neuronien, 1 bias neuroni piilokerrokselle, ja 1 lähtö neuroni ( Kuvio 1). Aktivointi toiminnot logistisen sigmoid ja hyperbelitangentin käytetään kussakin neuroni piilokerrokselle ja lähtö kerros, vastaavasti.

Taulukko 3 osoittaa, että ANN merkittävästi päihitti LR syrjinnän kannalta, kalibrointi ja tarkkuus (cutoff kohta 0,5). Verrattuna LR, ANN oli ylivoimainen tarkkuus korko 97,28%: ssa tapauksista, ylivoimainen HL tilastotieto 41,18%: ssa tapauksista, ja ylivoimainen AUROC vuonna 84,67%: ssa tapauksista.

Harjoitustietosivut setti laskemiseen käytettiin myös muuttuvan herkkyys suhteet (VSR) varten ANN mallia. Taulukossa 4 esitetään VSR arvoja tulosmuuttujana (Sairaalakuolleisuus) suhteessa sukupuoleen, ikään, CCI, sairaala tilavuus, kirurgi tilavuus ja LOS. Vuonna ANN mallissa, kirurgi volyymi oli kaikkein vaikutusvaltaisin (herkkä) vaikuttavan parametrin Sairaalakuolleisuus seurasi iän ja LOS. Kaikki VSR arvot ylittyvät 1, mikä osoitti, että verkko toimivat paremmin, kun kaikki muuttujat pidettiin.

Taulukossa 5 verrataan ANN malli ja LR malli suhteen herkkyys, spesifisyys, positiivinen ennustearvo (PPV) , negatiivinen ennustearvo (NPV), tarkkuudella määrä, ja AUROC. Yhdessä nämä arvot vahvisti, että ANN malli oli ylivoimainen herkkyys (78.40% vs. 62,64%), spesifisyys (94,57% vs. 91,92%), PPV (84,22% vs. 76,65%), NPV (96,91% vs. 87,18%), tarkkuus rate ( 95,93% vs. 84,47%) ja AUROC (0,82 vs. 0,73).

keskustelu

vertailu ennustemallit tässä tutkimuksessa kävi ilmi, että tarkkuus ennustettaessa Sairaalakuolleisuus oli huomattavasti korkeampi että ANN mallissa kuin LR mallissa (p 0,001). Tietääksemme tämä tutkimus on ensimmäinen, joka käyttää valtakunnallisen väestöpohjaisella tietokanta kouluttaa ja testata hermoverkko ennustamiseen HCC leikkauksen lopputulokseen. Neuroverkkomalli verrattiin todellisten tulosten ja LR malli rakennettu samoilla tuloa. Koska rajoitettu määrä kliinistä tulojen ja tiettyyn lopputulokseen toimenpiteenä ANN malli johdonmukaisesti päihitti LR malli.

Kun muiden ennustemallit ovat käyttäneet vain yhdestä lääkärikeskus, ennustemallissa tässä tutkimuksessa rakennettiin käyttäen kansallista rekisteriä tietoja Taiwan BNHI. Siksi se antaa paremman yleiskuvan nykyisestä tulosten HCC kirurgian HBV ja HCV epidemia alue. Verrattuna hankkimat tiedot yhden keskuksen sarja tutkimuksia, tiedot rekisteristä tutkimukset antavat paremman kokonaiskuvan käytäntöjen suuret populaatiot välttäen asian bias tai bias heijastavat käytäntöjä yksittäisten kirurgien tai laitokset [18], [19].

Koska Anns käyttää dynaamista lähestymistapaa analysointiin kuolleisuusriski, he voivat muuttaa niiden sisäistä rakennetta suhteessa toiminnalliseen tavoitteeseen alhaalta ylöspäin laskenta (ts käyttämällä itse tietojen tuottaa malli). Vaikka he eivät voi käsitellä tietoja puuttuu, Anns voi samanaikaisesti käsittelemään useita muuttujia rakentamalla malleja viitaten harha ja epälineaarinen vuorovaikutus muuttujat [8] – [10]. Kun taas tavanomaisia ​​tilastollisia menetelmiä paljastaa parametrit ovat merkittäviä vain koko väestön osalta, Anns sisältää parametreja, jotka ovat merkittäviä yksilötasolla, vaikka ne eivät ole merkittäviä koko väestöstä. Toisin kuin muut standardin tilastolliset testit, Anns voi myös hallita monimutkaisuutta, vaikka otoskoko on pieni ja vaikka suhde muuttujien ja kirjaa on epätasapainoinen [8] – [10]. Eli Anns välttää dimensionality ongelma. Suuri ja homogeeninen aineisto tässä tutkimuksessa käytössä vankka verkon koulutusta, koska kaikki kliiniset muuttujat osoittivat mahdollisia vaikutuksia kuolleisuuteen aiemmissa LR malleissa [7], [20].

Chen et al. osoittivat, että ANN yhdistettynä geneettinen algoritmi voi tunnistaa kliinisesti merkittäviä muuttujia ja voivat tarkasti ennustaa Tacrolimus pitoisuudet veressä maksansiirrossa potilailla [21]. Vertailussa ANN ja LR malleja ennustamaan kirroosi kroonisessa hepatiitti C: potilaat, Cazzaniga et al. osoittivat myös, että Anns olivat hieman tarkempia ja toistettavissa [20]. Äskettäin Cucchetti ym osoitti, että ANN on tarkempi kuin perinteiset LR tunnistamiseksi HCC kasvaimen ja mikroskooppinen verisuonten invaasio perustuu preoperative muuttujia ja on parempi LR räätälöintiin kliinisen hoidon [5].

ANN lähestymistapa kehitettiin tässä tutkimuksessa laajennetaan ennakoivan alue LR mallin korvaamalla identiteettifunktio epälineaarinen aktivaatiofunktioita. Lähestymistapa on ilmeisesti parempi kuin lineaarinen regressio kuvaamiseen järjestelmiin. Anns voidaan koulutettu saadut tiedot erilaisissa kliinisissä yhteyksissä ja voi harkita paikallista asiantuntemusta, rotuerojen, ja muita muuttujia epävarmoja vaikutuksia hoitotulokseen [8] – [10]. Analyysi ei rajoitu kliinisiin parametreihin. Muut muuttujat voitaisiin testata käytettäväksi parantamiseksi ennustavan mallin tarkkuuden. Ehdotetun ANN arkkitehtuuri voi myös sisältää useamman kuin yhden riippuva muuttuja, ja voi suorittaa epälineaarinen muunnos välillä riippuvat muuttujat. Jatkotutkimuksissa saattaa arvioida muita potilasryhmät tai kliinisiä tekijöitä vaikuta ehdotettuun arkkitehtuuriin.

Tässä valtakunnallinen väestöpohjaisen tutkimus, paras yksittäinen ennustaja Sairaalakuolleisuus oli kirurgi volyymi, joka oli yhdenmukainen tulosten kanssa muita raportteja, että suuren volyymin kirurgit johdonmukaisesti saavuttaa parempia tuloksia hepatektomiaa HCC [22], [23]. Siksi niiden hoidon strategioita olisi analysoitava huolellisesti ja emuloitu. Jos Sairaalakuolleisuus pidetään vertailukohtana, kirurgi tilavuus, joka on merkittävä ennustaja postoperatiivisten tulos, on ratkaisevan tärkeää. On selvää, tuloksista kirurgisten eivät riipu vain potilaan hoitoon, mutta myös taitoa ja kokemusta yksittäisten kirurgien. Samaan aikaan suurten volyymien kirurgien volyymitoimituksissa sairaalat ovat todennäköisimmin saavuttaa hyviä hoitotuloksia koska ne avustavat ammattitaitoista ja monitieteinen ensiapuyksikössä [22], [23].

Tämä tutkimus on useita rajoituksia, jotka ovat luonnostaan ​​tahansa suuren tietokannan analyysi. Ensinnäkin kliinisen kuvan saatu tämän analyysin saatavien tietojen ei ole yhtä tarkka kuin Ennakoiva analyysi kliinisistä tutkimuksista johtuen mahdolliset virheet koodaus primaaridiagnooseja ja kirurgiset menettelytavat. Toiseksi komplikaatiot HCC kirurgisia toimenpiteitä ei arvioitu, mikä rajoittaa pätevyyden vertailua. Lopuksi vain LR ja ANN malleja käytettiin ennustamaan Sairaalakuolleisuus jälkeen HCC leikkauksen. Tietokantaa ei voitu käyttää ennustaa muiden tulosten kuten potilaiden raportoimaa elämänlaatua. Kun kuitenkin otetaan huomioon vankka suuruus vaikutuksia ja tilastollista merkittävyyttä havaittujen vaikutusten tässä tutkimuksessa, nämä rajoitukset eivät todennäköisesti vaikuttaisi tuloksiin.

Yhteenvetona verrattuna tavanomaiseen LR malli, ANN malli tämän tutkimuksen tarkoituksena oli tarkempi ennustaa Sairaalakuolleisuus ja oli korkeampi yleistä suorituskykyä indeksit. Maailmanlaajuinen herkkyysanalyysi osoitti myös, että kirurgi volyymi oli paras ennustaja Sairaalakuolleisuus jälkeen HCC leikkauksen. Ennakoivat analysoitu tässä tutkimuksessa voitaisiin ratkaista terveydenhuollon ammattilaiset aikana ennen leikkausta ja leikkauksen jälkeisiä terveydenhuollon neuvottelut ehdokkaita HCC leikkaus kouluttaa heitä odottaa kurssin hyödyntämisen ja terveydenhuollon tuloksia. Lisätutkimukset Tämän mallin voi harkita vaikutusta yksityiskohtaisempi tietokanta, joka sisältää komplikaatioita ja kliinisen tutkimuksen löydökset sekä tarkempia tuloksia oli käytetty. Toivottavasti malli kehittyy tehokkaaksi lisähoitona kliininen päätöksenteko työkalu.