Machine-Learning-Modellierung intraoperativer hämodynamischer Prädiktoren postoperativer Ergebnisse

Zusammenfassung legen

Einleitung: Die Weltgesundheitsorganisation schätzt, dass jedes Jahr weltweit 270-360 Millionen Operationen durchgeführt werden. Tod und Komplikationen nach der Operation sind eine große Herausforderung. In Kanada sterben von 1000 größeren Operationen 16 Patienten nach der Operation im Krankenhaus. In den Vereinigten Staaten benötigen bei 1000 Operationen 67 Patienten unerwartet lebenserhaltende Maßnahmen auf der Intensivstation. Angesichts der Alterung der Bevölkerung und begrenzter Ressourcen werden Strategien zur Verbesserung der Gesundheit nach Operationen immer wichtiger.

Vitalwerte wie Blutdruck und Herzfrequenz zeigen, wie es dem Körper geht. Vitalfunktionen ändern sich während der Operation aufgrund von Patienten-, Operations- und Anästhesiefaktoren. Anästhesisten können Vitalfunktionen mit Medikamenten verändern. Mediziner beginnen jedoch erst zu verstehen, welche und welche Bereiche von Vitalfunktionen unter Anästhesie mit einer besseren Gesundheit verbunden sind. Maschinelles Lernen ist ein Werkzeug, das neue Möglichkeiten zum Verständnis von Daten bieten kann. Mit einem besseren Verständnis können Mediziner daran arbeiten, die Ergebnisse nach der Operation zu verbessern.

Ziel: Diese Studie wird Vitalfunktionen während Operationen auf ihre Verbindungen zu Tod, Komplikationen (Herz, Lunge, Niere, Gehirn, Infektion), Aufnahme auf der Intensivstation, Dauer des Krankenhausaufenthalts und Wiederaufnahme ins Krankenhaus analysieren. Diese Studie wird bestimmen, welche und welche Werte von Vitalfunktionen schädlich sein können. Die Forscher sagen voraus, dass Blutdruck, Herzfrequenz, Sauerstoffgehalt, Kohlendioxidgehalt und die Notwendigkeit von Medikamenten zur Änderung des Blutdrucks interagieren und mit dem Tod nach der Operation in Verbindung gebracht werden.

Methoden: Nach Einholung der Genehmigung des Research Ethics Board analysieren die Prüfärzte die Daten aller Patienten, die mindestens 45 Jahre alt sind und eine Operation (mit Ausnahme einer Herzoperation) mit Übernachtung im Queen Elizabeth II Health Center (Halifax, Kanada) vom 1. Januar 2013 bis 1. Dezember 2017. Etwa 35.000 Patienten kommen in Frage. Die Ermittler werden maschinelles Lernen verwenden, um die Daten zu modellieren und zu testen, wie gut unser Modell die Ergebnisse nach der Operation erklärt.

Bedeutung: Die Verwendung von maschinellem Lernen in einem großen, breiten Datensatz von Operationspopulationen könnte neue Beziehungen und Strategien erkennen, die die aktuelle Praxis informieren und Ideen für zukünftige Forschung generieren können. Ein besseres Verständnis der Auswirkungen von Vitalfunktionen während Operationen kann Methoden zur Verbesserung der Ergebnisse und der Ressourcenzuweisung nach der Operation aufzeigen. Die Ergebnisse können Wege aufzeigen, Hochrisikopatienten zu identifizieren, die nach der Operation genauer überwacht werden sollten. Wenn das Modell gut abschneidet, kann es andere Forscher dazu motivieren, maschinelles Lernen in der Gesundheitsdatenforschung einzusetzen.

Einzelheiten finden Sie im vollständigen Protokoll.

Aktualisierung vom Mai 2020 (vor der Aggregation und Analyse von Datensätzen)

1. Zusätzliches sekundäres Ergebnis (Tage am Leben und außerhalb des Krankenhauses 30 Tage nach der Operation)
2. Verbesserter Verarbeitungsalgorithmus für hämodynamische variable Artefakte
3. Unterstudie hinzugefügt: maschinelles Lernen für den Algorithmus zur Entfernung von invasiven Blutdruckartefakten