A1Check: Externí validace modelu strojového učení předpovídajícího kolorektální anastomický únik (A1Check)

Postup studie Cílem studie je externě ověřit model strojového učení predikující únik kolorektální anastomózy. Predikční model, který bude externě validován, je vyvinut na prospektivní databázi. Tato databáze obsahovala údaje o 2 483 pacientech s kolorektálním karcinomem, kteří podstoupili chirurgický zákrok mezi lednem 2016 a dubnem 2021 ve 14 nemocnicích, venkovských i akademických ve čtyřech různých zemích (Nizozemsko, Itálie, Belgie, Austrálie). U 189 pacientů (7,6 %) došlo k prosakování kolorektální anastomózy. Modely predikovaly riziko prosakování kolorektální anastomózy během operace, těsně před konstrukcí anastomózy, pomocí celkem 31 proměnných. Tyto proměnné obsahují jak předoperačně dostupná data, tak proměnné týkající se intraoperačního stavu pacienta. Modely byly interně validovány pomocí 10násobné křížové validace a následně testovány na 20 % neviditelných dat databáze. Oblast pod křivkou - provozní charakteristiky přijímače (AUROC) nejvýkonnějšího modelu strojového učení na testovací sadě byla 0,84, s citlivostí 0,86, specificitou 0,78, pozitivní prediktivní hodnotou 0,24 a negativní prediktivní hodnotou 0,99.

Během této prospektivní simulační studie neexistují žádné přímé přínosy ani rizika pro zúčastněné pacienty. Tato prospektivní simulační studie bude neintervenční, predikční modely nemění původní každodenní praxi a v této fázi není určena k použití jako diagnostický prostředek. Intraoperačně, těsně před konstrukcí anastomózy, bude predikční model předpovídat pomocí proměnných pacienta, nádoru a intraoperačních proměnných (uvedených v odstavci Data Dictionary) pravděpodobnost úniku z anastomózy. SAS VIYA se používá pro vývoj modelu strojového učení. Během prospektivní simulační studie jsou skóre těchto předpovědí k dispozici pouze hlavním výzkumným pracovníkům a výzkumným pracovníkům, a tudíž neznámé zúčastněným nemocnicím nebo operujícím chirurgům, aby se zabránilo jakémukoli ovlivnění běžné každodenní praxe v této fázi výzkumu. Třicet dní po operaci budou shromážděna data pacientů o výskytu úniku z anastomózy. AUROC, senzitivita, specificita a přesnost pak budou vypočteny na základě počtu pacientů hodnocených jako skutečně pozitivní, skutečně negativní, falešně pozitivní nebo falešně negativní. Po minimálně 100 příhodách a 100 nepříhodách je externí validace dokončena a bude prezentováno konečné skóre AUROC, citlivosti a specificity.

Plán zajištění kvality, kontroly dat, ověřování zdrojových dat S daty bude nakládáno důvěrně a anonymně. Data budou pseudoanonymizována pro hlavního výzkumníka a výzkumné pracovníky. Pseudoanonymizovaná data se zadávají do databáze Castor. K původní datové sadě je připojen datový slovník s metadaty pro popis dat. Všechny zúčastněné nemocnice mají dohodu o sdílení dat pro bezpečné sdílení dat zahrnutých pacientů s hlavním zkoušejícím a výzkumnými pracovníky. Plán správy dat bude vytvořen podle zásad našeho institutu s pomocí odborníka na správu dat spolu s Transparent Reporting multivariabilního predikčního modelu pro pokyny pro individuální prognózu nebo diagnostiku (TRIPOD). Charakteristika shromážděných a generovaných dat je klinická data extrahovaná z elektronických zdravotních záznamů. Obsahuje spojité, nominální a dichotomické proměnné. Data nebudou znovu použita ani spojena s existujícími daty. K predikci výsledku pomocí vyvinutého modelu je nutný informovaný souhlas pacientů. Na tento projekt se vztahují zásady ochrany osobních údajů a zákony. Projekt bude také splňovat všechny zásady ochrany údajů, jak jsou definovány v obecném nařízení o ochraně osobních údajů. K anonymizované datové sadě lze přistupovat prostřednictvím databáze Castor. Dlouhodobá data budou uložena v repozitáři Amsterdam UMC s pomocí oddělení pro správu výzkumných dat (RDM). Data budou uložena po dobu pěti let po ukončení projektu.

Datový slovník

Od zahrnutých pacientů budou shromážděny následující proměnné:

i. Charakteristika pacienta a nádoru Věk; sex; index tělesné hmotnosti; klasifikace Americké společnosti anesteziologů (ASA); intoxikace (kouření a/nebo konzumace alkoholu); anamnéza diabetu; užívání steroidů (ne nazálních); hemoglobin; benigní nebo maligní onemocnění. Pokud je přítomno maligní onemocnění: stádium TNM, vzdálenost nádoru od análního okraje, neoadjuvantní léčba.

ii. Peroperační charakteristika Operační výkon, operační přístup; konverze; výskyt intraoperační příhody (hypoxické příhody, hyperkarbie, bradykardie, hypotenze, embolie, reanimace, rozsáhlejší resekce než plánovaná, serózní léze, poranění močového měchýře a ureteru, intraoperační krvácení, splenektomie) iii. Charakteristika těsně před vytvořením anastomózy Teplota pacienta; doba podávání antibiotika; podávání vazopresorů; ztráta krve; saturace O2; střední arteriální tlak; podávání tekutin; produkce moči; přítomnost fekální kontaminace; subjektivní hodnocení lokální perfuze; epidurální analgezie; pohyby dveří; čas od incize do vytvoření anastomózy, záměr vytvořit stomii.

iv. Pooperační charakteristika Kolorektální únik anastomózy do 30 dnů a délka hospitalizace.

Standardní operační postupy Pacienti způsobilí pro zařazení jsou detekováni na prvním setkání multidisciplinárního týmu. Je-li to vhodné, chirurg informuje a prodiskutuje tuto studii s pacientem při předoperační konzultaci k operaci. Pokud pacient souhlasí s účastí, je nutný písemný informovaný souhlas. Pacient může tento souhlas kdykoli odvolat.

Výpočet velikosti vzorku V zúčastněných nemocnicích je ročně provedeno kolem 100 až 400 kolorektálních resekcí s přibližným výskytem úniku z anastomózy 5 až 15 %. Vícenásobné studie prokázaly minimálně 100 příhod a 100 žádných příhod jako vhodnou velikost vzorku pro externí validaci. S očekávaným celkovým počtem 1 200 pacientů ročně a procentem úniku kolem 10 %, včetně 100 příhod, trvá přibližně jeden až dva roky.

Manipulace s chybějícími daty Model strojového učení provede předpověď u pacientů s více než 80 % dostupných dat. Chybějící data jsou imputována pomocí prediktivního porovnání průměru s deseti iteracemi.

Plán statistické analýzy Externí validace bude provedena u nejméně 100 událostí (únik z anastomózy) a 100 událostí, které nejsou (žádný únik z anastomózy). Jako implementační model bude použit model strojového učení s nejlepším prediktivním výkonem z hlediska AUROC. Rychlost úniku z kolorektální anastomózy bude porovnána v multivariačním logistickém regresním modelu. Všechny analýzy budou prováděny pod dohledem klinického epidemiologa.