Sammenligning af traditionelle risikoscorer og en AI-baseret multimodal model til forudsigelse af kardiovaskulære hændelser efter gastrointestinal kirurgi (GI-MACE-AI)

Store kardiovaskulære hændelser efter gastrointestinalkirurgi forbliver en vigtig årsag til tidlige postoperative komplikationer og dårlige resultater. Traditionelle perioperative kardiale risikoscorer, herunder Revised Cardiac Risk Index (RCRI), American College of Surgeons National Surgical Quality Improvement Program Myocardial Infarction or Cardiac Arrest calculator (ACS NSQIP MICA) og ACS NSQIP Surgical Risk Calculator (ACS NSQIP SRC), er almindeligt anvendt i klinisk praksis. Deres præstation kan dog være begrænset i specifikke kirurgiske populationer og fanger muligvis ikke fuldt ud komplekse interaktioner mellem kliniske, laboratorie-, fysiologiske og proceduremæssige variabler.

Denne observationsstudie har til formål at udvikle og evaluere en kunstig intelligens (AI)-baseret multimodal model til at forudsige store kardiovaskulære hændelser inden for 30 dage efter gastrointestinalkirurgi og at sammenligne dens prædiktive præstation med traditionelle risikoscorer. Studiet vil blive udført på Bach Mai Hospital og vil omfatte voksne patienter, der gennemgår gastrointestinalkirurgi. Studiet anvender et blandet retrospektivt-prospektivt design med retrospektiv dataindsamling fra patienter behandlet i 2025 og prospektiv dataindsamling i 2026.

Det kliniske resultatmål for forudsigelse er forekomsten af store kardiovaskulære hændelser inden for 30 dage efter operationen. Disse hændelser omfatter kardiovaskulær død, ikke-dødeligt myokardieinfarkt, hjertestop med genoprettelse af spontan cirkulation, nyt slagtilfælde og klinisk signifikante arytmier, der kræver behandling. Data brugt til modeludvikling og sammenligning kan omfatte demografiske karakteristika, sygehistorie, kardiovaskulære komorbiditeter, kirurgiske karakteristika, anæstesiinformation, præoperative laboratorieresultater, elektrokardiografiske fund, biomarkører når tilgængelige, og funktionelle eller risikovurderingsvariabler.

Studiets primære resultat er diskriminationspræstationen af den AI-baserede multimodale model sammenlignet med traditionelle risikoscorer, målt ved arealet under receiver operating characteristic-kurven for forudsigelse af 30-dages store kardiovaskulære hændelser efter gastrointestinalkirurgi. Sekundære resultater omfatter kalibreringspræstation, net reklassificeringsforbedring og integreret diskriminationsforbedring af den AI-baserede multimodale model sammenlignet med traditionelle risikoscorer, herunder RCRI, ACS NSQIP MICA og ACS NSQIP SRC.

Studiet er observationsbaseret og vil ikke ændre rutinemæssig perioperativ behandling. Data vil blive indhentet fra eksisterende patientjournaler og prospektiv klinisk indsamling, kodet for fortrolighed og analyseret for at understøtte risikostratificering og modelsammenligning hos patienter, der gennemgår gastrointestinalkirurgi.