Prevence pooperativních plicních komplikací zavedením přístupu asistovaného strojového učení (PEPPERMINT)

Incidence pooperačních plicních komplikací (POPC) se udává 9–40 % v závislosti na operačním postupu. Jsou známy různé předoperační rizikové faktory, ale většinou je nelze modifikovat. Velkým problémem starších publikací bylo, že dlouhou dobu neexistovala jasná definice výsledného parametru „plicní komplikace“. Teprve v roce 2018 byla vyvinuta standardizovaná definice ve spolupráci Standardized Endpoints for Perioperative Medicine (StEP) [1]. Vzhledem k vysoké klinické relevanci – POPC jsou hlavní příčinou pooperační morbidity a mortality – byly vyvinuty klinické skórovací systémy pro předoperační predikci POPC, ale jejich prediktivní kvalitu je stále potřeba zlepšit [2]. V současnosti nejlépe hodnocené skóre pro predikci pooperačních plicních komplikací (ARISCAT: Assess Respiratory Risk in Surgical Pacienti v Katalánsku) má dostatečnou senzitivitu, ale postrádá specificitu [3]. Testují se proto také metody strojového učení pro stanovení rizika z dat předoperační rutiny [4].

Sonografie nabývá na významu jako neinvazivní vyšetřovací metoda, kterou lze provádět u lůžka. K predikci plicních komplikací již byla vyvinuta různá sonografická skóre a modely [5]. V ultrazvukové diagnostice se stále častěji používají také metody zpracování obrazu a strojové učení, zejména hluboké učení [6,7]. Kombinace rutinních klinických dat a zobrazovacích dat pro vývoj algoritmu strojového učení dosud nebyla testována. Rozšířené algoritmy využívající kromě ultrazvukového zobrazení předoperační a intraoperační klinické informace však slibují lepší prediktivní přesnost než příslušné jednotlivé metody. Kromě toho dosud chybí prospektivní klinické hodnocení predikčních modelů založených na algoritmu strojového učení, ačkoli vykazují dobré hodnoty pro „plochu pod provozní charakteristikou přijímače“ (AUROC), přesnost a preciznost v příslušných testovacích a validačních souborech dat, které jsou považovány za běžná měřítka prediktivní kvality takových modelů [4].

Opatření pro prevenci POPC jsou známá [8], ale pravděpodobně nejsou důsledně uplatňována v klinické praxi kvůli zvýšené poptávce, zejména po lidských zdrojích. Naším cílem je proto identifikovat pacienty s rizikem POPC na základě algoritmu strojového učení.

Všichni pacienti podstupují stejný protokol studie k vývoji modelu strojového učení. Perioperační klinické rutinní údaje budou hodnoceny podle standardu. Pooperačně bude na dospávacím pokoji provedena standardizovaná sonografie plic. Pacienti budou poté 1., 3. a 7. pooperační den navštíveni na oddělení za účelem klinického vyšetření k detekci POPC podle kritérií vypracovaných StEP-kolaborací.

Podle našeho výpočtu počtu případů zahrneme 512 dospělých pacientů podstupujících elektivní chirurgické výkony v celkové anestezii. Perioperační rutinní data budou vyhodnocena a uložena do interní databáze nemocnice, stejně jako data z pooperačního klinického vyšetření. Obrazová data ze sonografie plic budou archivována v PACS pro další zpracování. Na základě shromážděných dat bude natrénován algoritmus strojového učení založený na neuronových sítích, který bude předpovídat POPC. Model je vytvořen z anonymizovaných dat pomocí statisticky orientovaného programovacího jazyka R a frameworku TensorFlow, softwarové knihovny pro hluboké učení založené na programovacím jazyce Python. Kvalita predikce vytvořeného predikčního modelu se posuzuje pomocí oblasti pod charakteristikami operátora přijímače (AUROC) a také oblasti pod křivkou přesnosti vyvolání (AUPRC) a porovnává se s hodnotami skóre ARISCAT, což je společné skóre pro odhad riziko POPC.

Přesné posouzení rizik pomocí rozšířeného algoritmu strojového učení, který využívá klinickou rutinu i zobrazovací data, má velký potenciál zlepšit výsledky pacientů a mohlo by také pomoci snížit náklady na zdravotní péči.

1. Abbott, T.E.F., Fowler, A. J., Pelosi, P., Gama de Abreu, M., Møller, A. M., Canet, J., Craegh-Brown, B., Mythen, M., Gin, T., Lalu, M. M., Futier, E., Grocott, M.P., Schultz, M.J., Pearse, R.M., StEP-COMPAC Group (2018) Systematický přehled a definice konsenzu pro standardizované koncové body v perioperační medicíně: plicní komplikace. Br J Anaesth, 120(5) 1066-1079.
2. Ball, L. a Pelosi, P. (2016). Prediktivní skóre pro pooperační plicní komplikace: čas přejít ke klinické praxi. Minerva Anestesiol, 82(3) 265-267.
3. Nithiuthai, J., Siriussawakul, A., Junkai, R., Horugsa, N., Jarungjitaree, S., Triyasunant, N. (2021). Pomáhá skóre ARISCAT předpovídat výskyt pooperačních plicních komplikací u starších pacientů po operaci horní části břicha? Observační studie v jediné fakultní nemocnici. Perioper Med (Londýn), 10(1) 43.
4. Xue, B., Li, D., Lu, C., King, C.R., Wildes, T., Avidan, M.S., Kannampalil, T., Abraham, J. (2021) Využití strojového učení k vývoji a hodnocení modelů pomocí Předoperační a intraoperační údaje k identifikaci rizik pooperačních komplikací. Jama Network Open, 4(3).
5. Szabo, M., Bozó, A., Darvas, K., Soós, S., Özsem M., Iványi, Z.D. (2021) Role ultrasonografického skóre aerace plic v predikci pooperačních plicních komplikací: observační studie. BMC Anesthesiol, 21(1) 19.
6. van Sloun, R.J.G. a Demi, L. (2020) Lokalizace B-linií v ultrasonografii plic slabě kontrolovaným hlubokým učením, výsledky in-vivo. IEEE J Biomed Health Inform, 24(4) 957-964.
7. Brusasco, C., Santori, G., Tavazzi, G., Via, G., Robba, C.m Gargani, L., Mojoli, F., Mongodi, S., Bruzzo, E., Trò, R., Boccacci, P., Isirdi, A., Forfori, F., Corradi, F., UCARE (Ultrasound in Critical Care and Anesthesia Research Group) (2022) Šedá texturní analýza pleurálních ultrazvukových obrazů druhého řádu k rozlišení syndromu akutní respirační tísně a kardiogenní plicní edém. J Clin Monit Comput, 36(1) 131-140.
8. Miskovic, A. a Lumb, A.B. (2017). Pooperační plicní komplikace. Br J Anaesth, 118(3), 317-334.