Strojové učení Modelování intraoperačních hemodynamických prediktorů pooperačních výsledků

Laické shrnutí

Úvod: Světová zdravotnická organizace odhaduje, že na celém světě se ročně provede 270–360 milionů operací. Smrt a komplikace po operaci jsou velkou výzvou. V Kanadě zemře v nemocnici po operaci 16 pacientů z každých 1000 velkých operací. Ve Spojených státech na každých 1000 operací potřebuje 67 pacientů neočekávaně podporu života na jednotce intenzivní péče. Se stárnutím populace a omezenými zdroji jsou strategie ke zlepšení zdraví po operaci stále důležitější.

Životní funkce, jako je krevní tlak a srdeční frekvence, ukazují, jak na tom tělo je. Vitální funkce se během operace mění v důsledku faktorů pacienta, operace a anestezie. Anesteziologové mohou pomocí léků změnit životní funkce. Zdravotníci však teprve začínají chápat, které a jaké rozsahy vitálních funkcí v anestezii jsou spojeny s lepším zdravím. Strojové učení je nástroj, který může poskytnout nové způsoby, jak porozumět datům. S lepším pochopením mohou lékaři pracovat na zlepšení výsledků po operaci.

Cíl: Tato studie bude analyzovat vitální funkce během operací z hlediska jejich souvislosti se smrtí, komplikacemi (srdce, plíce, ledviny, mozek, infekce), přijetím na jednotku intenzivní péče, délkou pobytu v nemocnici a opětovným přijetím do nemocnice. Tato studie určí, které a jaké úrovně vitálních funkcí mohou být škodlivé. Vyšetřovatelé předpokládají, že krevní tlak, srdeční frekvence, hladina kyslíku, hladina oxidu uhličitého a potřeba léků ke změně krevního tlaku budou interagovat a budou spojeny se smrtí po operaci.

Metody: Po získání souhlasu Research Ethics Board budou vyšetřovatelé analyzovat data od všech pacientů, kteří mají alespoň 45 let a byli po operaci (s výjimkou operace srdce) s přenocováním ve zdravotním středisku královny Alžběty II (Halifax, Kanada) od 1. ledna 2013 do 1. prosince 2017. Existuje přibližně 35 000 způsobilých pacientů. Vyšetřovatelé použijí strojové učení k modelování dat a otestují, jak dobře náš model vysvětluje výsledky po operaci.

Význam: Využití strojového učení ve velké, široké populaci chirurgických dat by mohlo odhalit nové vztahy a strategie, které mohou informovat současnou praxi a generovat nápady pro budoucí výzkum. Lepší pochopení dopadu vitálních funkcí během operací může odhalit metody ke zlepšení výsledků a alokaci zdrojů po operaci. Výsledky mohou navrhnout způsoby, jak identifikovat vysoce rizikové pacienty, kteří by měli být po operaci pečlivěji sledováni. Pokud bude model fungovat dobře, může motivovat další výzkumníky k používání strojového učení ve výzkumu zdravotních dat.

Podrobnosti naleznete v úplném protokolu.

Aktualizace z května 2020 (před agregací a analýzou datových sad)

1. Přidán sekundární výsledek (dny naživu a mimo nemocnici 30 dní po operaci)
2. Vylepšený algoritmus zpracování hemodynamických proměnných artefaktů
3. Přidána dílčí studie: strojové učení pro invazivní algoritmus odstraňování artefaktů krevního tlaku