Forebyggelse af postoPERative lungekomplikationer ved at etablere en maskinlæringsassisteret tilgang (PEPPERMINT)

Hyppigheden af ​​postoperative lungekomplikationer (POPC) rapporteres til at være 9-40 %, afhængigt af det kirurgiske indgreb. Forskellige præoperative risikofaktorer er kendte, men de kan normalt ikke ændres. Et stort problem ved ældre publikationer var, at der i lang tid ikke eksisterede nogen klar definition af udfaldsparameteren "lungekomplikation". Det var først i 2018, at en standardiseret definition blev udviklet af samarbejdet Standardised Endpoints for Perioperative Medicine (StEP) [1]. På grund af den høje kliniske relevans - POPC er hovedårsagen til postoperativ morbiditet og mortalitet - er der udviklet kliniske scoringssystemer til præoperativ forudsigelse af POPC, men deres prædiktive kvalitet mangler stadig at blive forbedret [2]. Den bedst vurderede score til forudsigelse af postoperative lungekomplikationer (ARISCAT: Assess Respiratory Risk in Surgical Patients in Catalonia) har tilstrækkelig sensitivitet, men mangler specificitet [3]. Derfor testes maskinlæringsmetoder til risikobestemmelse ud fra præoperative rutinedata også [4].

Sonografi bliver stadig vigtigere som en ikke-invasiv undersøgelsesmetode, der kan udføres ved sengekanten. Forskellige sonografiske resultater og modeller er allerede blevet udviklet til at forudsige lungekomplikationer [5]. Billedbehandlingsmetoder og maskinlæring, især deep learning, bliver også i stigende grad brugt i ultralydsdiagnostik [6,7]. En kombination af rutinemæssige kliniske data og billeddata til udvikling af en maskinlæringsalgoritme er endnu ikke blevet testet. Forstærkede algoritmer, der anvender præ- og intraoperativ klinisk information ud over ultralydsbilleddannelse lover imidlertid bedre prædiktiv nøjagtighed end de respektive individuelle metoder. Derudover mangler prospektiv klinisk evaluering af maskinlæringsalgoritme-baserede forudsigelsesmodeller til dato, selvom de viser gode værdier for "areal under modtagerens operationskarakteristik" (AUROC), nøjagtighed og præcision i de respektive test- og valideringsdatasæt, som er betragtes som almindelige mål for den prædiktive kvalitet af sådanne modeller [4].

Foranstaltninger til forebyggelse af POPC er kendte [8], men anvendes sandsynligvis ikke konsekvent i klinisk rutine på grund af den øgede efterspørgsel, især efter menneskelige ressourcer. Derfor er vores mål at identificere patienter med risiko for POPC på basis af en maskinlæringsalgoritme.

Alle patienter gennemgår den samme undersøgelsesprotokol for at udvikle maskinlæringsmodellen. Perioperative kliniske rutinedata vil blive vurderet som pr. standard. Postoperativt vil der blive udført en standardiseret lungesonografi på opvågningsrummet. Patienterne vil derefter blive visiteret på afdelingen på postoperativ dag 1, 3 og 7 til klinisk undersøgelse for at påvise POPC i henhold til de kriterier, der er udarbejdet af StEP-samarbejdet.

Ifølge vores sagsnummerberegning vil vi inkludere 512 voksne patienter, der gennemgår elektive, kirurgiske indgreb i fuld bedøvelse. Perioperative rutinedata vil blive vurderet og opbevaret i en hospitalsintern database, samt data fra postoperativ klinisk undersøgelse. Billeddata fra lungesonografi vil blive arkiveret i PACS til yderligere behandling. Baseret på de indsamlede data vil en maskinlæringsalgoritme baseret på neurale netværk blive trænet til at forudsige POPC. Modellen er skabt med de anonymiserede data ved hjælp af det statistikorienterede programmeringssprog R og frameworket TensorFlow, et deep learning softwarebibliotek baseret på programmeringssproget Python. Forudsigelseskvaliteten af ​​den oprettede forudsigelsesmodel vurderes ved at bruge arealet under modtageroperatørens karakteristika (AUROC) samt arealet under præcisionsgenkaldelseskurven (AUPRC) og sammenlignet med værdierne af ARISCAT-scoren, en fælles score til at estimere risiko for POPC.

Præcis risikovurdering ved hjælp af en udvidet maskinlæringsalgoritme, der bruger klinisk rutine samt billeddata, har et stort potentiale til at forbedre patientresultater og kan også hjælpe med at reducere omkostningerne til sundhedspleje.

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) En systematisk gennemgang og konsensusdefinitioner for standardiserede endepunkter i perioperativ medicin: pulmonale komplikationer. Br J Anaesth, 120(5) 1066-1079.
2. Ball, L. og Pelosi, P. (2016). Forudsigende score for postoperative lungekomplikationer: tid til at bevæge sig mod klinisk praksis. Minerva Anestesiol, 82(3) 265-267.
3. Nithiuthai, J., Siriussawakul, A., Junkai, R., Horugsa, N., Jarungjitaree, S., Triyasunant, N. (2021). Hjælper ARISCAT-score til at forudsige forekomsten af ​​postoperative lungekomplikationer hos ældre patienter efter øvre abdominal kirurgi? En observationsundersøgelse på et enkelt universitetshospital. Perioper Med (Lond), 10(1) 43.
4. Xue, B., Li, D., Lu, C., King, C.R., Wildes, T., Avidan, M.S., Kannampallil, T., Abraham, J. (2021) Brug af maskinlæring til at udvikle og evaluere modeller ved hjælp af Præoperative og intraoperative data til identifikation af risici for postoperative komplikationer. Jama Network Open, 4(3).
5. Szabo, M., Bozó, A., Darvas, K., Soós, S., Özsem M., Iványi, Z.D. (2021) Rollen af ​​ultrasonografisk lungeluftningsscore i forudsigelsen af ​​postoperative lungekomplikationer: en observationsundersøgelse. BMC Anesthesiol, 21(1) 19.
6. van Sloun, R.J.G. og Demi, L. (2020) Localizing B-Lines in Lung Ultrasonography by Weakly Supervised Deep Learning, In-Vivo Results. 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) Andenordens gråskalateksturanalyse af pleurale ultralydsbilleder for at differentiere akut respiratorisk distress-syndrom og kardiogent lungeødem. J Clin Monit Comput, 36(1) 131-140.
8. Miskovic, A. og Lumb, A.B. (2017). Postoperative lungekomplikationer. Br J Anaesth, 118(3), 317-334.