Feasibility of machine learning and competing risk analysis algorithms to predict outcomes from the LROI

Maart 2024: Publicatie CORR
Feasibility of machine learning and competing risk analysis algorithms to predict outcomes from the LROI

JHF Oosterhoff, AAH de Hond, RM Peters, LN van Steenbergen, JC Sorel, WP Zijlstra, RW Poolman, D Ring, PC Jutte, GMMJ Kerkhoffs, H Putter, EW Steyerberg, JN Doornberg, the Machine Learning Consortium

Machine learning niet beter dan conventionele methoden voor voorspellen van revisie

In dit onderzoek wilden de onderzoekers beoordelen of machine learning beter presteert dan de conventionele competing-risk modellen voor het voorspellen van de kans op revisie na een knie- of heupprothese-ingreep. Informatie over de kans op een revisie kan patiënten en clinici helpen bij het kiezen van een specifieke behandelingsoptie.

Bij revisie-ingrepen wordt de prothese die tijdens de primaire ingreep – de eerste operatie – geplaatst is gedeeltelijk of volledig vervangen. Om de kans op een revisie in te schatten wordt vaak een overlevingsanalyse uitgevoerd. Daarbij wordt gekeken naar factoren die bepalend zijn voor de kans op revisie. Deze factoren kunnen patiëntspecifiek zijn (zoals leeftijd of geslacht) of specifiek voor de ingreep (zoals het type implantaat). De factoren worden opgenomen als variabelen in het voorspellingsmodel.

Of een revisie-operatie plaatsvindt wordt echter niet alleen bepaald door factoren zoals leeftijd of geslacht, maar ook door hoe lang een patiënt zal leven. Als patiënten overlijden, kunnen ze geen revisie-ingreep meer ondergaan. Het voorspellingsmodel 
moet daarom rekening houden met meerdere uitkomsten: competing risks. Hiervoor zijn verschillende methoden ontwikkeld, waaronder Fine and Gray en cause-specific Cox. In deze modellen wordt revisie beschouwd als de belangrijkste uitkomst en kans op 
overlijden als de competing risk. Onlangs zijn moderne machine learning technieken gebruikt om betere voorspellende modellen te maken in orthopedische situaties. Een machine learning-techniek genaamd random survival forests laat veelbelovende 
resultaten zien, vooral in complexe competing-risk situaties.

Daarom is de voorspellende waarde van de twee conventionele methoden en de machine learning methode vergeleken. In de datasets van elf eerder gepubliceerde LROI-onderzoeksprojecten is voorheen gekeken naar factoren die samenhangen met revisies van heup- of knieprothesen. De voorspellende waarde werd beoordeeld op basis van discriminatie, kalibratie en de geschaalde Brier-score.

Conclusie 

In dit onderzoek liet machine learning geen significant verschil zien ten opzichte van traditionele modellen bij het voorspellen van de kans op revisie van heup- of knieprothesen. De prestaties van het machine learning-model waren vergelijkbaar met die van conventionele modellen, en er was geen duidelijk voordeel te zien. Bovendien 
bleken zowel machine learning als conventionele methoden niet nauwkeurig genoeg te zijn om betrouwbare voorspellende informatie te bieden in deze context.