A1Check: die externe Validierung eines maschinellen Lernmodells zur Vorhersage der kolorektalen Anastomoseninsuffizienz (A1Check)

Studienablauf Ziel der Studie ist die externe Validierung eines maschinellen Lernmodells zur Vorhersage einer kolorektalen Anastomoseninsuffizienz. Das Vorhersagemodell, das extern validiert wird, wird auf einer prospektiven Datenbank entwickelt. Diese Datenbank enthielt Daten von 2.483 Darmkrebspatienten, die sich zwischen Januar 2016 und April 2021 in 14 ländlichen und akademischen Krankenhäusern in vier verschiedenen Ländern (Niederlande, Italien, Belgien, Australien) einem chirurgischen Eingriff unterzogen hatten. Etwa 189 Patienten (7,6 %) entwickelten eine kolorektale Anastomoseninsuffizienz. Die Modelle prognostizierten das Risiko einer kolorektalen Anastomoseninsuffizienz intraoperativ, kurz vor dem Anlegen der Anastomose, unter Verwendung von insgesamt 31 Variablen. Diese Variablen beinhalten sowohl präoperativ verfügbare Daten als auch die Variablen bezüglich des intraoperativen Zustands des Patienten. Die Modelle wurden intern mit einer 10-fachen Kreuzvalidierung validiert und anschließend an 20 % der unsichtbaren Daten der Datenbank getestet. Die Fläche unter der Kurve – Receiver Operating Characteristics (AUROC) des leistungsstärksten maschinellen Lernmodells im Testset betrug 0,84, mit einer Sensitivität von 0,86, einer Spezifität von 0,78, einem positiven Vorhersagewert von 0,24 und einem negativen Vorhersagewert von 0,99.

Während dieser prospektiven Simulationsstudie gibt es keine direkten Vorteile oder Risiken für die teilnehmenden Patienten. Diese prospektive Simulationsstudie wird nicht-interventionell sein, die Vorhersagemodelle verändern die ursprüngliche tägliche Praxis nicht und sie ist in dieser Phase nicht als diagnostisches Gerät gedacht. Intraoperativ, kurz vor dem Aufbau der Anastomose, wird das Vorhersagemodell unter Verwendung von Patienten-, Tumor- und intraoperativen Variablen (aufgelistet im Abschnitt Data Dictionary) die Wahrscheinlichkeit einer Anastomoseninsuffizienz vorhersagen. SAS VIYA wird für die Bereitstellung des maschinellen Lernmodells verwendet. Während der prospektiven Simulationsstudie sind die Ergebnisse dieser Vorhersagen nur den Haupt- und Forschungsforschern zugänglich und somit den teilnehmenden Krankenhäusern oder operierenden Chirurgen unbekannt, um eine Beeinflussung der aktuellen täglichen Praxis in dieser Phase der Forschung zu verhindern. Dreißig Tage postoperativ werden Daten der Patienten bezüglich des Auftretens einer Anastomoseninsuffizienz erhoben. AUROC, Sensitivität, Spezifität und Genauigkeit werden dann basierend auf der Anzahl der Patienten berechnet, die als richtig positiv, richtig negativ, falsch positiv oder falsch negativ bewertet wurden. Nach mindestens 100 Ereignissen und 100 Nicht-Ereignissen ist die externe Validierung abgeschlossen und die endgültigen AUROC-, Sensitivitäts- und Spezifitäts-Scores werden präsentiert.

Qualitätssicherungsplan, Datenprüfungen, Quelldatenprüfung Daten werden vertraulich und anonym behandelt. Die Daten des Hauptforschers und der Forschungsforscher werden pseudonymisiert. Pseudo-anonymisierte Daten werden in eine Castor-Datenbank eingegeben. An den ursprünglichen Datensatz wird ein Datenwörterbuch mit Metadaten angehängt, um die Daten zu beschreiben. Alle teilnehmenden Krankenhäuser haben eine Datenfreigabevereinbarung, um Daten der eingeschlossenen Patienten sicher mit dem Hauptprüfarzt und den Forschungsprüfern zu teilen. Ein Datenmanagementplan wird gemäß den Richtlinien unseres Instituts mit Unterstützung eines Datenmanagementexperten erstellt, zusammen mit der transparenten Berichterstattung eines multivariablen Vorhersagemodells für individuelle Prognose- oder Diagnoserichtlinien (TRIPOD). Die Merkmale der gesammelten und generierten Daten sind Aus den elektronischen Patientenakten extrahierte klinische Daten. Diese enthält stetige, nominale und dichotome Variablen. Daten werden nicht wiederverwendet oder mit bestehenden Daten gekoppelt. Die informierte Zustimmung der Patienten ist notwendig, um das Ergebnis unter Verwendung des entwickelten Modells vorherzusagen. Für dieses Projekt gelten Datenschutzrichtlinien und Gesetze. Das Projekt wird auch alle Datenschutzgrundsätze einhalten, wie sie in der Allgemeinen Datenschutzverordnung definiert sind. Auf den anonymisierten Datensatz kann über eine Castor-Datenbank zugegriffen werden. Langzeitdaten werden mit Hilfe der Abteilung Forschungsdatenmanagement (RDM) im Amsterdamer UMC-Repository gespeichert. Die Daten werden fünf Jahre nach Projektende gespeichert.

Datenwörterbuch

Die folgenden Variablen werden von eingeschlossenen Patienten erhoben:

ich. Patienten- und Tumormerkmale Alter; Sex; Body-Mass-Index; Klassifikation der American Society of Anesthesiologists (ASA); Vergiftungen (Rauchen und/oder Alkoholkonsum); Krankengeschichte von Diabetes; Steroidgebrauch (nicht nasal); Hämoglobin; gutartige oder bösartige Erkrankung. Bei maligner Erkrankung: TNM-Stadium, Tumorentfernung vom Analrand, neoadjuvante Behandlung.

ii. Perioperative Besonderheiten Operatives Vorgehen, operativer Zugang; Wandlung; Auftreten eines intraoperativen Ereignisses (hypoxische Ereignisse, Hyperkarbie, Bradykardie, Hypotonie, Embolie, Reanimation, umfangreichere Resektion als geplant, Serosaläsionen, Blasen- und Harnleiterverletzungen, intraoperative Blutungen, Splenektomie) iii. Merkmale unmittelbar vor der Anastomose Patiententemperatur; Zeitpunkt der Antibiotikagabe; Verabreichung von Vasopressoren; Blutverlust; O2-Sättigung; mittlerer arterieller Druck; Flüssigkeitsverabreichung; Urinproduktion; Vorhandensein einer fäkalen Kontamination; subjektive Einschätzung der lokalen Durchblutung; Epiduralanalgesie; Türbewegungen; Zeit von der Inzision bis zur Anlage der Anastomose, Absicht, ein Stoma anzulegen.

iv. Postoperative Merkmale Kolorektale Anastomoseninsuffizienz innerhalb von 30 Tagen und Dauer des Krankenhausaufenthalts.

Standardarbeitsanweisungen Patienten, die für eine Aufnahme in Frage kommen, werden in der ersten Sitzung des multidisziplinären Teams ermittelt. Falls geeignet, wird der Chirurg diese Studie mit dem Patienten in der präoperativen Konsultation für die Operation informieren und besprechen. Wenn der Patient der Teilnahme zustimmt, ist eine schriftliche Einverständniserklärung erforderlich. Der Patient kann diese Einwilligung jederzeit widerrufen.

Fallzahlberechnung In den teilnehmenden Krankenhäusern werden jährlich etwa 100 bis 400 kolorektale Resektionen durchgeführt, mit einer ungefähren Inzidenz von Anastomoseninsuffizienz von 5 bis 15 %. Mehrere Studien haben ein Minimum von 100 Ereignissen und 100 Nichtereignissen als angemessene Stichprobengröße für die externe Validierung gezeigt. Bei einer erwarteten Gesamtzahl von 1.200 eingeschlossenen Patienten pro Jahr und einem Leckageprozentsatz von etwa 10 % dauert die Aufnahme von 100 Ereignissen etwa ein bis zwei Jahre.

Umgang mit fehlenden Daten Das maschinelle Lernmodell wird bei Patienten, bei denen mehr als 80 % der erforderlichen Daten verfügbar sind, eine Vorhersage treffen. Fehlende Daten werden unter Verwendung des prädiktiven Mittelwertabgleichs mit zehn Iterationen imputiert.

Statistischer Analyseplan Die externe Validierung wird an mindestens 100 Ereignissen (Anastomoseninsuffizienz) und 100 Nicht-Ereignissen (keine Anastomoseninsuffizienz) durchgeführt. Als Implementierungsmodell wird das maschinelle Lernmodell mit der besten Vorhersageleistung in Bezug auf AUROC verwendet. Die kolorektale Anastomoseninsuffizienzrate wird in einem multivariaten logistischen Regressionsmodell verglichen. Alle Analysen werden unter Aufsicht eines klinischen Epidemiologen durchgeführt.