Vorbeugung postoperativer Lungenkomplikationen durch Etablierung eines durch maschinelles Lernen unterstützten Ansatzes (PEPPERMINT)

Die Inzidenz postoperativer pulmonaler Komplikationen (POPC) wird je nach Operationsverfahren mit 9–40 % angegeben. Verschiedene präoperative Risikofaktoren sind bekannt, können aber in der Regel nicht modifiziert werden. Ein großes Problem älterer Publikationen war, dass es lange Zeit keine eindeutige Definition des Outcome-Parameters „Lungenkomplikation“ gab. Erst 2018 wurde eine einheitliche Definition durch die Kollaboration Standardized Endpoints for Perioperative Medicine (StEP) entwickelt [1]. Aufgrund der hohen klinischen Relevanz – POPC sind die Hauptursache für postoperative Morbidität und Mortalität – wurden klinische Scoring-Systeme zur präoperativen Vorhersage von POPC entwickelt, deren Vorhersagequalität jedoch noch verbessert werden muss [2]. Der derzeit am besten evaluierte Score zur Vorhersage postoperativer pulmonaler Komplikationen (ARISCAT: Assess Respiratory Risk in Surgical Patients in Catalonia) weist eine ausreichende Sensitivität, aber keine Spezifität auf [3]. Daher werden auch Methoden des maschinellen Lernens zur Risikobestimmung aus präoperativen Routinedaten erprobt [4].

Die Sonografie gewinnt als nicht-invasive Untersuchungsmethode, die am Krankenbett durchgeführt werden kann, zunehmend an Bedeutung. Zur Vorhersage pulmonaler Komplikationen wurden bereits verschiedene sonographische Scores und Modelle entwickelt [5]. Auch in der Ultraschalldiagnostik werden zunehmend Verfahren der Bildverarbeitung und maschinelles Lernen, insbesondere Deep Learning, eingesetzt [6,7]. Eine Kombination aus klinischen Routinedaten und Bildgebungsdaten zur Entwicklung eines maschinellen Lernalgorithmus wurde noch nicht getestet. Allerdings versprechen erweiterte Algorithmen, die neben der Ultraschallbildgebung auch prä- und intraoperative klinische Informationen verwenden, eine bessere Vorhersagegenauigkeit als die jeweiligen Einzelmethoden. Zudem fehlt bislang eine prospektive klinische Bewertung von Machine-Learning-Algorithmus-basierten Vorhersagemodellen, obwohl diese in den jeweiligen Test- und Validierungsdatensätzen gute Werte für „Area under the Receiver Operating Characteristic“ (AUROC), Genauigkeit und Präzision aufweisen als gängige Maße für die Vorhersagequalität solcher Modelle angesehen [4].

Maßnahmen zur Prävention von POPC sind bekannt [8], werden aber aufgrund des gestiegenen Bedarfs, insbesondere an personellen Ressourcen, wahrscheinlich nicht konsequent in der klinischen Routine angewendet. Daher ist es unser Ziel, Patienten mit POPC-Risiko auf der Grundlage eines maschinellen Lernalgorithmus zu identifizieren.

Alle Patienten durchlaufen das gleiche Studienprotokoll, um das maschinelle Lernmodell zu entwickeln. Perioperative klinische Routinedaten werden standardmäßig ausgewertet. Postoperativ wird im Aufwachraum eine standardisierte Lungensonographie durchgeführt. Die Patienten werden dann an den postoperativen Tagen 1, 3 und 7 auf der Station besucht, um POPC gemäß den von der StEP-Kooperation erarbeiteten Kriterien klinisch zu untersuchen.

Gemäß unserer Fallzahlberechnung schließen wir 512 erwachsene Patienten ein, die sich elektiven, chirurgischen Eingriffen in Vollnarkose unterziehen. Perioperative Routinedaten werden ausgewertet und in einer krankenhausinternen Datenbank gespeichert, ebenso wie Daten aus der postoperativen klinischen Untersuchung. Bilddaten der Lungensonographie werden zur weiteren Verarbeitung im PACS archiviert. Basierend auf den gesammelten Daten wird ein auf neuronalen Netzen basierender maschineller Lernalgorithmus trainiert, um POPC vorherzusagen. Das Modell wird mit den anonymisierten Daten mithilfe der statistikorientierten Programmiersprache R und dem Framework TensorFlow, einer auf der Programmiersprache Python basierenden Deep-Learning-Softwarebibliothek, erstellt. Die Vorhersagequalität des erstellten Vorhersagemodells wird anhand der Area under the Receiver Operator Characteristics (AUROC) sowie der Area under the Precision Recall Curve (AUPRC) bewertet und mit den Werten des ARISCAT-Scores, einem gängigen Score zur Abschätzung, verglichen POPC-Risiko.

Präzise Risikobewertung durch einen erweiterten maschinellen Lernalgorithmus, der klinische Routine- und Bildgebungsdaten verwendet, hat ein großes Potenzial zur Verbesserung der Patientenergebnisse und könnte auch dazu beitragen, die Gesundheitskosten zu senken.

1. Abbott, T.E.F., Fowler, A.J., Pelosi, P., Gama de Abreu, M., Møller, A.M., Canet, J., Craegh-Brown, B., Mythen, M., Gin, T., Lalu, M.M., Futier, E., Grocott, M.P., Schultz, M.J., Pearse, R.M., StEP-COMPAC Group (2018) Eine systematische Überprüfung und Konsensdefinitionen für standardisierte Endpunkte in der perioperativen Medizin: Lungenkomplikationen. Br J Anaesth, 120(5) 1066-1079.
2. Ball, L. und Pelosi, P. (2016). Vorhersagewerte für postoperative Lungenkomplikationen: Zeit für den Übergang in die klinische Praxis. Minerva Anestesiol, 82(3) 265-267.
3. Nithiuthai, J., Siriussawakul, A., Junkai, R., Horugsa, N., Jarungjitaree, S., Triyasunant, N. (2021). Helfen ARISCAT-Scores bei der Vorhersage der Inzidenz postoperativer pulmonaler Komplikationen bei älteren Patienten nach Oberbauchoperationen? Eine Beobachtungsstudie an einem einzelnen Universitätsklinikum. Perioper Med (Lond), 10(1) 43.
4. Xue, B., Li, D., Lu, C., King, C.R., Wildes, T., Avidan, M.S., Kannampallil, T., Abraham, J. (2021) Use of Machine Learning to Develop and Evaluate Models Using Präoperative und intraoperative Daten zur Identifizierung von Risiken postoperativer Komplikationen. Jama Network Open, 4(3).
5. Szabo, M., Bozó, A., Darvas, K., Soós, S., Özsem M., Iványi, Z.D. (2021) Die Rolle des ultrasonographischen Lungenbelüftungs-Scores bei der Vorhersage postoperativer Lungenkomplikationen: eine Beobachtungsstudie. BMC Anästhesiol, 21(1) 19.
6. van Sloun, R.J.G. und Demi, L. (2020) Lokalisierung von B-Linien in der Lungensonographie durch schwach überwachtes Deep Learning, In-Vivo-Ergebnisse. IEEE J Biomed Health Inform, 24(4) 957-964.
7. Brusasco, C., Santori, G., Tavazzi, G., Via, G., Robba, C.m Gargani, L., Mojoli, F., Mongodi, S., Bruzzo, E., Trò, R., Boccacci, P., Isirdi, A., Forfori, F., Corradi, F., UCARE (Ultrasound in Critical Care and Anthesis Research Group) (2022) Second-Order Grey-Scale Texture Analysis of Pleural Ultraschallbilder zur Differenzierung des akuten Atemnotsyndroms und kardiogenes Lungenödem. J Clin Monit Comput, 36(1) 131-140.
8. Miskovic, A. und Lumb, A.B. (2017). Postoperative pulmonale Komplikationen. Br J Anaesth, 118(3), 317-334.