بناء والتحقق من صحة نماذج التعلم الآلي التي تجمع بين البيانات السريرية وخصائص التصوير الشعاعي للتعرف المبكر على عمليات إعادة التدخل الجراحي في عدوى الرقبة العميقة

عدوى الرقبة العميقة (DNI) هي حالة خطيرة تنتشر بسرعة عبر الطبقات اللفافية العنقية، وغالبًا ما تؤدي إلى تقليل مجرى الهواء وتعفن الدم. الحماية الهوائية، العلاج بالمضادات الحيوية، وتصريف الجراحة هي العلاجات المعيارية، لكن بعض المرضى يحتاجون إلى إعادة عملية جراحية عند عدم كفاية التحسن. وبما أنه لا توجد أدوات موثوقة للتنبؤ بخطر إعادة العملية، فقد طور هذا البحث نموذج تعلم آلي (ML) يدمج البيانات السريرية وبيانات التصوير لتوقع الحاجة إلى إعادة العملية في DNI. قمنا بتحليل رجعي لـ415 مريضًا مع علاج جراحي للـDNI. تم تعريف إعادة العملية على أنها شق وتصريف إضافي يتم بعد أكثر من 48 ساعة من الجراحة الأولية. تم دمج الخصائص السريرية والمشتقة من التصوير المقطعي المحوسب (CT) ضمن نموذج تعلم آلي معتمد على التعزيز التصنيفي (CatBoost) باستخدام التحقق المتقاطع بخمس طيات مع توزيع طبقي. تم تقييم أداء النموذج باستخدام منحنى التشغيل المستقبل - المساحة تحت المنحنى (ROC AUC)، خسارة اللوغاريتم (Logloss)، مصفوفات الالتباس، الدقة، مقدار الدقة، الحساسية، النوعية، ومقياس F1. أُجري التنبؤ باستخدام مجموعة الميزات الكاملة ومجموعة مخفضة من تسعة ميزات مهمة تم تحديدها من خلال تحليل أهمية الميزات. العمر المتوسط في العينة الدراسية كان 53.63 عامًا، مع معدل إعادة العملية 33.97%. أثناء التحقق المتقاطع، حقق نموذج الميزات الكاملة مقياس F1 قدره 0.9041، دقة 0.9488، ROC AUC 0.9678، دقة 0.9190، حساسية 0.9000، ونوعية 0.9670. وعند التقييم على مجموعة الاختبار المستقلة، حقق مقياس F1 0.8980، دقة 0.9398، ROC AUC 0.9891، دقة 0.8462، حساسية 0.9565، ونوعية 0.9333. وقد حقق نموذج الميزات التسع المخفض أداءً مميزًا بمقياس F1 0.9025، دقة 0.9489، ROC AUC 0.9503، دقة 0.9281، حساسية 0.8889، ونوعية 0.9713 في التحقق المتقاطع. وعلى مجموعة الاختبار المستقلة، حقق نتائج متميزة مع مقياس F1 0.9565، دقة 0.9759، ROC AUC 0.9957، دقة 0.9565، حساسية 0.9565، ونوعية 0.9833. مسارات خسارة اللوغاريتم أيدت وجود تقارب مستقر مع أقل قدر من الإفراط في التوفيق. هذه الدراسة توضح أن نموذج التعلم الآلي يمكنه التنبؤ بدقة بإعادة العملية في عدوى الرقبة العميقة من خلال دمج الخصائص السريرية والمشتقة من التصوير المقطعي. وقد حقق نموذج الميزات التسعة المبسط أداءً أعلى مع تعزيز القبول السريري والتطبيق العملي. تبرز هذه النتائج الإمكانات التي يقدمها التعلم الآلي لدعم التخطيط الجراحي الفوري وتقييم مخاطر إعادة العملية بشكل فردي لدى مرضى DNI.