Is Simplicity Enough? A Comparison of Logistic Regression and Artificial Intelligence in Predicting Complications of Caustic Ingestion

Introduction Accidental or deliberate ingestion of caustic substances in children is a serious health problem that can lead to acute and chronic gastrointestinal complications. This study aimed to evaluate clinical and endoscopic findings for predicting chronic complications in these patients. Method and materials: This was a retrospective-prospective cohort study of children with caustic ingestion admitted to Mofid Children's Hospital, Tehran, between ۲۰۱۶ and ۲۰۲۴. Data were obtained from the national registry of pediatric endoscopy procedures, hospital medical records, and parental follow-up. A total of ۳۶۰ children were included. Inclusion Criteria: ۱- Children (۱۸ years old) with confirmed caustic ingestion hospitalized at Mofid Children's Hospital, Tehran, between ۲۰۱۶-۲۰۲۴ ۲-Availability of complete clinical and endoscopic records (or confirmed through parental follow-up) Exclusion Criteria: ۱- Patients with incomplete records or missing follow-up data ۲-Patients with underlying congenital esophageal or severe comorbid diseases ۳-Patients with incomplete treatment or lost to follow-up Predictive models were built using binary logistic regression and machine learning algorithms, including Random Forest, Support Vector Machine, K-Nearest Neighbors, and Artificial Neural Networks, implemented in Python. The study was approved by the Ethics Committee of Shahid Beheshti University of Medical Sciences (IR.SBMU.PHNS. REC. ۱۴۰۲.۲۵۴). Results: Of the ۳۶۰ children, ۱۱۸ (۳۲.۸%) developed chronic gastrointestinal complications. The mean age was ۳.۴۲ _x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰_± ۲.۹۶ years. In multivariable logistic regression, the type of ingested substance (alkaline vs. acidic) and initial endoscopic findings (particularly necrosis in oral and/or oropharyngeal mucosa) were significantly associated with outcomes. Among predictive models, logistic regression outperformed more complex algorithms, achieving an accuracy of ۷۶.۴% and an AUC of ۰.۸۰۷. Conclusion: In studies with a high number of potential confounders and strong correlations among predictors, simpler models such as logistic regression may outperform more complex algorithms. Our findings highlight the importance of model selection based on data characteristics rather than algorithmic complexity.

کلیدواژه ها:

Caustic ingestion ، Machine learning ، Complications ، Endoscopy ، Iran