Maskinlæring til evaluering af tilbagefaldsrisiko ved akut biliær pancreatitis. (MINERVA)

Akut pancreatitis er den mest almindelige bugspytkirtelsygdom med en global forekomst på 34 tilfælde pr. 100.000 individer. Denne sygdom tæller mere end 1,5 millioner nye patienter om året på verdensplan, med en dødelighed, der nærmer sig 1 %. Patienter med mild biliær akut pancreatitis kan, når de indlægges på hospitalet, behandles med indeks, tidlig kolecystektomi (inden for 3 til 7 dage fra den akutte episode) eller konservativt. Mens konservativ behandling kan være resolutiv, får op til 35 % af disse patienter et tilbagefald inden for 30 dage og kræver akut operation i en væsentligt dårligere samlet patienttilstand, hvilket reducerer chancerne for succes. Bortset fra det øger tilbagefald dramatisk chancerne for kronisk pancreatitis, bugspytkirtelkræft, postoperative komplikationer og overordnet dødelighed. Tilbagefaldsepisoder har også en økonomisk indvirkning på sundhedsfaciliteter, da en anden og længere hospitalsindlæggelse pr. patient øger de samlede medicinske omkostninger pr. patient med mindst 100 %. Indtil videre er der dog ingen standardiserede metoder til at forudsige tilbagefald af biliær akut pancreatitis hos patienter, som ikke har gennemgået tidlig kolecystektomi efter den første episode af mild galde akut pancreatitis.

MINERVA-projektet (Machine Learning for the Relapse Risk eValuation in Acute biliary pancreatitis) udspringer af behovet i den kliniske praksis for at tage en operationel beslutning hos patienter, der er indlagt på hospitalet med en diagnose af mild akut galdepancreatitis.

MINERVA-projektet sigter mod at nå følgende mål og resultater:

1. Foreslå en ny metode til vurdering af risikoen for tilbagefald hos patienter med mild biliær akut pancreatitis, som ikke har gennemgået tidlig kolecystektomi efter den første episode af mild biliær akut pancreatitis;
2. Foreslå en maskinlæringsprædiktiv model ved hjælp af en Deep Learning-arkitektur anvendt på data, der er let at indsamle fra patienter;
3. Validere MINERVA-score på en omfattende, multicentrisk, prospektiv kohorte;
4. Tillad nationale og internationale klinikere, medicinsk personale, forskere og det generelle publikum frit og nemt at få adgang til MINERVA-scoreberegningen og bruge den i deres daglige kliniske praksis.

MINERVA-scoren vil give klinikerne en valideret og standardiseret vurdering af risikoen for tilbagefald, der tager hensyn til hver patients personlige historie, demografiske data og laboratoriekarakteristika. MINERVA-score vil være gratis og let at beregne øjeblikkeligt for alt medicinsk personale; den vil til enhver tid være tilgængelig på MINERVAs hjemmeside og webapp, og vil give et øjeblikkeligt og pålideligt resultat, der kan være en klar indikation for den bedste behandlingsvej for klinikeren og for patienten.

MINERVA-scoremodellen vil blive udviklet på en retrospektiv kohorte af patienter (MANCTRA-1, allerede registreret i ClinicalTrials.gov) og vil blive valideret på en ny potentiel multicentrisk kohorte.

Retrospektiv kohorte Modeludviklingen og den indledende træning vil blive udført på en retrospektiv kohorte af patienter (n=692) indsamlet under et foreløbigt multicentrisk studie, MANCTRA-1-studiet (godkendt af den etiske komité på University of Cagliari Hospital, MANCTRA-1 - NCT04747990, Prot. PG/2021/7108) udført af PI (Dr. Mauro Podda) og University of Cagliari lokalt ansvarlig for MINERVA-projektet.

Prospektiv kohorte I alt 430 patienter vil blive rekrutteret i den prospektive kohorte af MINERVA-studiet.

Metoder MINERVA-scoren vil blive baseret på en Machine Learning-model, som vil blive udviklet og trænet på en retrospektiv kohorte og valideret på en potentiel kohorte af patienter.

Alle modelvariabler vil blive behandlet med kernel Principal Component Analysis (kPCA).

Det konvekse skrog af scatterplot af hovedkomponenterne vil blive beregnet, og det mindste rektangel vil blive udtrukket. Rektangelet vil blive omdannet til et 2d-billede med en fast opløsning ved hjælp af funktionsgennemsnit og normalisering.

Modellen vil blive udviklet på University of Naples Federico II af Dr. Daniela Pacella med Machine Learning ekspertise og supervision.

For at forhindre overfitting vil datasættet blive opdelt i træningssæt, testsæt og valideringssæt. Derudover vil der blive brugt k-fold krydsvalidering. Ydeevnen af ​​MINERVA-modellen vil blive evalueret ved hjælp af de mest anvendte mål for nøjagtighed, såsom præcision, genkaldelse og AUC (Area Under the ROC Curve). Derudover vil dens ydeevne blive sammenlignet med den, der opnås ved brug af traditionelle maskinlæringsmetoder (SVM, ANN). Manglende data vil blive håndteret med imputationsmetoder.

Variable Alder (År) Køn (Mand:Kvinde) Tidligere episoder af galdepancreatitis (Ja; Nej) Indlæggelsesspeciale (HepatoPancreatoGallekirurgi, Generel kirurgi, Intern medicin, Gastroenterologi) Body mass index -BMI- (Kg/m2) Klinisk historie med diabetes (Ingen diabetes; Ja med organdysfunktion; Ja uden organdysfunktion) Klinisk historie med kronisk lungesygdom (Ja; Nej) Klinisk historie med hypertension (Ja; Nej) Klinisk historie med atrieflimren (Ja; Nej) Klinisk historie med iskæmisk hjertesygdom (Ja; Nej) Klinisk anamnese med kronisk nyresygdom (Nej; Ja under medicin; Ja i permanent nyreudskiftningsterapi eller som forberedelse hertil) Klinisk anamnese med sygdomme i det hæmatopoietiske system (Ja; Nej) Patient på immunsuppressiv medicin på hospitalet indlæggelse (Ja; Nej) Hvide Blodlegemer -WBC- (celler/mm3) Neutrofiler (celler/mm3) Blodplader (Plt/mm3) INR (International Normalized Ratio) C-reaktivt protein -CRP- (mg/L) Aspartat aminotransferase - AST- (U/L) Alaninaminotransferase -ALT- (U/L) Total bilirubin (mg/dL) Konjugeret bilirubin (mg/dL) Gamma-glutamil-transpeptidase -GGT- (U/L) Serumamylase (U/L) ) Serumlipase (U/L) Lactat DeHydrogenase -LDH- (U/L) Choledocholithiasis (Ja; Ja med almindelig galdegangobstruktion; Nej) Cholangitis (Ja; Nej) ERCP med sphincterotomi (Ja inden for 24 timer fra hospitalsindlæggelse; Ja inden for 24-48 timer fra hospitalsindlæggelse; Ja inden for 48-72 timer fra hospitalsindlæggelse; Nej) Akut galdebetændelse i pancreatitis ved 30 dage, 60- dag, 90 dage, 1 år.