Modelado de aprendizaje automático de predictores hemodinámicos intraoperatorios de resultados posoperatorios

Resumen de laicos

Introducción: La Organización Mundial de la Salud estima que cada año se realizan entre 270 y 360 millones de operaciones en todo el mundo. La muerte y las complicaciones después de la cirugía son un gran desafío. En Canadá, de cada 1000 cirugías mayores, 16 pacientes mueren en el hospital después de la cirugía. En los Estados Unidos, por cada 1000 operaciones, 67 pacientes necesitan inesperadamente soporte vital en la Unidad de Cuidados Intensivos. Con el envejecimiento de la población y los recursos limitados, las estrategias para mejorar la salud después de la cirugía son cada vez más importantes.

Los signos vitales, como la presión arterial y la frecuencia cardíaca, muestran cómo está el cuerpo. Los signos vitales cambian durante la cirugía debido a factores del paciente, quirúrgicos y anestésicos. Los anestesiólogos pueden cambiar los signos vitales con medicamentos. Sin embargo, los profesionales médicos apenas están comenzando a comprender qué signos vitales bajo anestesia están asociados con una mejor salud y qué rangos de estos signos vitales se asocian con una mejor salud. El aprendizaje automático es una herramienta que puede proporcionar nuevas formas de comprender los datos. Con una mejor comprensión, los profesionales médicos pueden trabajar para mejorar los resultados después de la cirugía.

Objetivo: Este estudio analizará los signos vitales durante las cirugías por su relación con la muerte, las complicaciones (corazón, pulmón, riñón, cerebro, infección), la admisión a la Unidad de Cuidados Intensivos, la duración de la estancia hospitalaria y la readmisión hospitalaria. Este estudio determinará cuáles y qué niveles de signos vitales pueden ser dañinos. Los investigadores predicen que la presión arterial, la frecuencia cardíaca, el nivel de oxígeno, el nivel de dióxido de carbono y la necesidad de medicamentos para cambiar la presión arterial interactuarán y se asociarán con la muerte después de la cirugía.

Métodos: Después de obtener la aprobación del Consejo de Ética en Investigación, los investigadores analizarán los datos de todos los pacientes que tengan al menos 45 años y hayan tenido una operación (con la excepción de una cirugía cardíaca) con una estadía de una noche en el centro de salud Queen Elizabeth II (Halifax, Canadá) del 1 de enero de 2013 al 1 de diciembre de 2017. Hay aproximadamente 35.000 pacientes elegibles. Los investigadores utilizarán el aprendizaje automático para modelar los datos y probar qué tan bien nuestro modelo explica los resultados después de la cirugía.

Importancia: el uso del aprendizaje automático en un conjunto de datos de población de cirugía grande y amplio podría detectar nuevas relaciones y estrategias que pueden informar la práctica actual y generar ideas para futuras investigaciones. Una mejor comprensión del impacto de los signos vitales durante las cirugías puede revelar métodos para mejorar los resultados y la asignación de recursos después de la cirugía. Los resultados pueden sugerir formas de identificar a los pacientes de alto riesgo que deben ser monitoreados más de cerca después de la cirugía. Si el modelo funciona bien, puede motivar a otros investigadores a utilizar el aprendizaje automático en la investigación de datos de salud.

Consulte el protocolo completo para obtener más detalles.

Actualización de mayo de 2020 (antes de la agregación y el análisis del conjunto de datos)

1. Resultado secundario agregado (días con vida y fuera del hospital a los 30 días después de la operación)
2. Algoritmo mejorado de procesamiento de artefactos variables hemodinámicas
3. Se agregó un subestudio: aprendizaje automático para el algoritmo de eliminación de artefactos de presión arterial invasiva