Oprettelse, implementering og validering af intra- og postoperative risikoforudsigelsesmodeller

Et trefaset studie er designet:

1. fase: Udledning og intern validering af den prædiktive model ved hjælp af et reprospektivt kohortestudie, hvor patienter opereret på Galdakao-Usansolo Hospital (HGU), Urduliz Hospital (HU), Basurto University Hospital (HUB), Donostia University Hospital ( HUD) og Araba University Hospital (HUA) vil blive rekrutteret. Hospital universitario de Donostia (HUD) og Hospital universitario de Araba (HUA) over XXX år, og data vil blive indhentet fra den præoperative periode indtil måneden for udskrivelsen fra operationen. Til identifikation og oprettelse af disse modeller vil maskinlæringsteknikker blive brugt med det primære formål at identificere variabler, der ikke er beskrevet i litteraturen. Maskinlæring er den vigtigste gren af ​​kunstig intelligens. Inden for Machine Learning er superviseret læring det mest udbredte område. Overvåget læring giver computere mulighed for at lære at udføre opgaver ved at opdage og udnytte komplekse mønstre i store mængder data. I det specifikke tilfælde af data fra elektroniske lægejournaler giver Machine Learning-algoritmer os mulighed for at bruge de historiske data for hver patient, så computeren lærer at forudse fremtidige begivenheder på en personlig måde.
2. fase: Ekstern validering af modellerne skabt i første fase i en kohorte af patienter opereret i 2020 i de samme centre. Metoden foreslået af Debray et al. vil blive anvendt.
3. fase: Evaluering af resultater efter implementering af modellerne i EPJ på Galdakao-Usansolo Hospital i form af en 'Action Guide'. Med udgangspunkt i den risikostratificering, der er gennemført i de tidligere faser, vil anæstesiafdelingen udarbejde anbefalinger til handling efter risikoniveau. Procentdelen af ​​dødelighed og intra- og postoperative komplikationer vil blive sammenlignet ved hjælp af en kvasi-eksperimentel interventionsundersøgelse, der sammenligner resultaterne fra HGU-hospitalet, hvor risikoskalaen og de deraf følgende anbefalinger vil blive implementeret, før og efter implementeringen, og også sammenligne dem med procentdelen af ​​patienter, der bliver komplicerede og/eller dør i HU, HUB, HUD og HUA, hvor den sædvanlige kliniske praksis vil blive fulgt, baseret på ASA-skalaen. Denne kommende kohorte vil, når risikoskalaen er blevet implementeret, også blive brugt til ekstern validering (2020-2021).

Sociodemografiske og kliniske variabler (hoveddiagnose, komorbiditeter, behandlinger, tidligere interventioner, intraoperative data, postoperative data, procedurer udført under indlæggelse og komplikationer op til en måned efter hospitalsudskrivning) og laboratorieparametre vil blive indsamlet.

Disse oplysninger vil blive udtrukket fra osabides globale dataudnyttelsessystem, Oracle Business Intelligence, og laboratoriedataene vil blive udtrukket fra informationssystemerne i de kliniske laboratorier i de involverede centre.