A1Check: den eksterne validering af en maskinlæringsmodel, der forudsiger kolorektal anastomotisk lækage (A1Check)

Undersøgelsesprocedure Formålet med undersøgelsen er eksternt at validere en maskinlæringsmodel, der forudsiger kolorektal anastomotisk lækage. Forudsigelsesmodellen, der vil blive eksternt valideret, er udviklet på en prospektiv database. Denne database indeholdt data om 2.483 kolorektal cancerpatienter, som gennemgik et kirurgisk indgreb mellem januar 2016 og april 2021 på 14 hospitaler, både landdistrikter og akademiske i fire forskellige lande (Holland, Italien, Belgien, Australien). Omkring 189 patienter (7,6%) udviklede kolorektal anastomotisk lækage. Modellerne forudsagde risikoen for kolorektal anastomotisk lækage intraoperativt, lige før konstruktionen af ​​anastomosen, ved hjælp af i alt 31 variabler. Disse variabler indeholder både præoperativt tilgængelige data og variablerne vedrørende patientens intraoperative tilstand. Modellerne blev internt valideret ved hjælp af 10 gange krydsvalidering og efterfølgende testet på 20 % af databasens usete data. Arealet under kurven - modtagerdriftskarakteristika (AUROC) for den bedst ydende maskinlæringsmodel på testsættet var 0,84, med en sensitivitet på 0,86, specificitet på 0,78, en positiv prædiktiv værdi på 0,24 og en negativ prædiktiv værdi på 0,99.

Under denne prospektive simuleringsundersøgelse er der ingen direkte fordele eller risici for de deltagende patienter. Denne prospektive simuleringsundersøgelse vil være ikke-interventionel, forudsigelsesmodellerne ændrer ikke den oprindelige daglige praksis, og i denne fase er den ikke beregnet til at blive brugt som en diagnostisk enhed. Intraoperativt, lige før konstruktionen af ​​anastomosen, vil forudsigelsesmodellen forudsige ved hjælp af patient-, tumor- og intraoperative variable (angivet i afsnittet Data Dictionary) sandsynligheden for anastomotisk lækage. SAS VIYA bruges til udbygning af machine learning-modellen. Under det prospektive simuleringsstudie er scorerne af disse forudsigelser kun tilgængelige for principperne og forskningsforskerne og derfor ukendte for de deltagende hospitaler eller operationskirurger for at forhindre enhver indflydelse på den nuværende daglige praksis i denne fase af forskningen. Tredive dage postoperativt vil data fra patienterne vedrørende forekomsten af ​​anastomotisk lækage blive indsamlet. AUROC, sensitivitet, specificitet og nøjagtighed vil derefter blive beregnet baseret på antallet af patienter vurderet som sandt positive, sandt negative, falsk positive eller falsk negative. Efter minimum 100 hændelser og 100 ikke-hændelser afsluttes den eksterne validering, og de endelige AUROC-, sensitivitets- og specificitetsscore vil blive præsenteret.

Kvalitetssikringsplan, datatjek, kildedataverifikation Data vil blive behandlet fortroligt og anonymt. Data vil blive pseudo-anonymiseret for den primære investigator og forskningsforskerne. Pseudo-anonymiserede data indtastes i en Castor-database. En dataordbog er knyttet til det originale datasæt med metadata til at beskrive dataene. Alle deltagende hospitaler har en datadelingsaftale for at dele data fra inkluderede patienter sikkert med hovedinvestigatoren og forskningsinvestigatorerne. En datahåndteringsplan vil blive oprettet i henhold til vores instituts politikker med bistand fra en datahåndteringsekspert sammen med den gennemsigtige rapportering af en multivariabel forudsigelsesmodel for retningslinjer for individuel prognose eller diagnose (TRIPOD). Karakteristikaene for de indsamlede og genererede data er kliniske data udtrukket fra de elektroniske sundhedsjournaler. Dette indeholder kontinuerte, nominelle og dikotome variable. Data vil ikke blive genbrugt eller koblet til eksisterende data. Informeret samtykke fra patienter er nødvendigt for at forudsige resultatet ved hjælp af den udviklede model. Privatlivspolitikker og love er gældende for dette projekt. Projektet vil også overholde alle databeskyttelsesprincipper som defineret i den generelle databeskyttelsesforordning. Det anonymiserede datasæt kan tilgås via en Castor-database. Langtidsdata vil blive gemt i Amsterdam UMC-depotet ved hjælp af forskningsdatastyringsafdelingen (RDM). Dataene gemmes i fem år efter projektets afslutning.

Dataordbog

Følgende variable vil blive indsamlet fra inkluderede patienter:

jeg. Patient- og tumorkarakteristika Alder; køn; BMI; American Society of Anesthesiologists (ASA) klassifikation; forgiftninger (rygning og/eller alkoholforbrug); sygehistorie med diabetes; steroidbrug (ikke nasal); hæmoglobin; godartet eller ondartet sygdom. Hvis der er ondartet sygdom: TNM-stadium, tumorafstand fra analkanten, neoadjuverende behandling.

ii. Perioperative karakteristika Kirurgisk procedure, kirurgisk tilgang; konvertering; forekomst af intraoperativ hændelse (hypoksiske hændelser, hypercarbia, bradykardi, hypotension, emboli, reanimation, mere omfattende resektion end planlagt, serosalæsioner, blære- og ureterale skader, intraoperativ blødning, splenektomi) iii. Karakteristika lige før oprettelsen af ​​anastomosen Patienttemperatur; tidspunkt for administration af antibiotika; administration af vasopressorer; blodtab; O2 mætning; middel arterielt tryk; væskeadministration; produktion af urin; tilstedeværelse af fækal forurening; subjektiv vurdering af lokal perfusion; epidural analgesi; dørbevægelser; tid fra incision til oprettelsen af ​​anastomosen, intention om at skabe stomi.

iv. Postoperative karakteristika Kolorektal anastomotisk lækage inden for 30 dage og længden af ​​hospitalsophold.

Standard operationsprocedurer Patienter, der er kvalificerede til inklusion, opdages i det første tværfaglige teammøde. Hvis det er kvalificeret, vil kirurgen informere og diskutere denne undersøgelse med patienten i den præoperative konsultation til operation. Hvis patienten giver samtykke til deltagelse, kræves et skriftligt informeret samtykke. Patienten kan til enhver tid trække dette samtykke tilbage.

Prøvestørrelsesberegning På de deltagende hospitaler udføres omkring 100 til 400 kolorektale resektioner årligt, med en omtrentlig incidens af anastomotisk lækage på 5 til 15%. Flere undersøgelser viste minimum 100 hændelser og 100 ikke-hændelser som en passende stikprøvestørrelse til ekstern validering. Med en forventet total på 1.200 patienter inkluderet årligt og en lækageprocent på omkring 10 %, inklusive 100 hændelser, tager det cirka et til to år.

Håndtering af manglende data Maskinlæringsmodellen vil lave en forudsigelse hos patienter med mere end 80 % af de nødvendige data tilgængelige. Manglende data imputeres ved hjælp af prædiktiv middelværdimatching med ti iterationer.

Statistisk analyseplan Den eksterne validering vil blive udført på mindst 100 hændelser (anastomotisk lækage) og 100 ikke-hændelser (ingen anastomotisk lækage). Maskinlæringsmodellen med den bedste prædiktive ydeevne i form af AUROC vil blive brugt som implementeringsmodel. Kolorektal anastomotisk lækagehastighed vil blive sammenlignet i en multivariat logistisk regressionsmodel. Alle analyser vil blive udført under supervision af en klinisk epidemiolog.