A1Check: la validación externa de un modelo de aprendizaje automático que predice la fuga anastomótica colorrectal (A1Check)

Procedimiento del estudio El objetivo del estudio es validar externamente un modelo de aprendizaje automático que predice la fuga anastomótica colorrectal. El modelo de predicción que será validado externamente, se desarrolla sobre una base de datos prospectiva. Esta base de datos contenía datos de 2483 pacientes con cáncer colorrectal que se sometieron a un procedimiento quirúrgico entre enero de 2016 y abril de 2021 en 14 hospitales, tanto rurales como académicos en cuatro países diferentes (Países Bajos, Italia, Bélgica, Australia). Unos 189 pacientes (7,6%) desarrollaron fuga anastomótica colorrectal. Los modelos predijeron el riesgo de fuga anastomótica colorrectal intraoperatoriamente, justo antes de la construcción de la anastomosis, utilizando un total de 31 variables. Estas variables contienen tanto los datos disponibles preoperatoriamente como las variables relativas a la condición intraoperatoria del paciente. Los modelos se validaron internamente mediante una validación cruzada de 10 veces y, posteriormente, se probaron en el 20 % de los datos ocultos de la base de datos. El área bajo la curva: características operativas del receptor (AUROC) del modelo de aprendizaje automático con mejor rendimiento en el conjunto de prueba fue de 0,84, con una sensibilidad de 0,86, una especificidad de 0,78, un valor predictivo positivo de 0,24 y un valor predictivo negativo de 0,99.

Durante este estudio prospectivo de simulación no existen beneficios ni riesgos directos para los pacientes participantes. Este estudio de simulación prospectivo será no intervencionista, los modelos de predicción no alteran la práctica diaria original y en esta fase, no pretende ser utilizado como un dispositivo de diagnóstico. Intraoperatoriamente, justo antes de la construcción de la anastomosis, el modelo de predicción predecirá, utilizando variables del paciente, tumor e intraoperatorias (enumeradas en el párrafo Diccionario de datos), la probabilidad de fuga anastomótica. SAS VIYA se utiliza para el despliegue del modelo de aprendizaje automático. Durante el estudio de simulación prospectivo, los puntajes de estas predicciones solo están disponibles para los investigadores principales y de investigación y, por lo tanto, los hospitales o cirujanos participantes no los conocen para evitar cualquier influencia en la práctica diaria actual en esta etapa de la investigación. Treinta días después de la operación, se recopilarán datos de los pacientes con respecto a la ocurrencia de fuga anastomótica. AUROC, la sensibilidad, la especificidad y la precisión se calcularán en función del número de pacientes evaluados como verdadero positivo, verdadero negativo, falso positivo o falso negativo. Después de un mínimo de 100 eventos y 100 no eventos, se completa la validación externa y se presentarán las puntuaciones finales de AUROC, sensibilidad y especificidad.

Plan de garantía de calidad, controles de datos, verificación de datos de origen Los datos se tratarán de forma confidencial y anónima. Los datos serán seudoanonimizados para el investigador principal y los investigadores de la investigación. Los datos pseudo-anonimizados se ingresan en una base de datos de Castor. Se adjunta un diccionario de datos al conjunto de datos original con metadatos para describir los datos. Todos los hospitales participantes tienen un Acuerdo de intercambio de datos para compartir de forma segura los datos de los pacientes incluidos con el investigador principal y los investigadores de la investigación. Se creará un plan de gestión de datos de acuerdo con las políticas de nuestro instituto con la asistencia de un experto en gestión de datos, junto con el Informe transparente de un modelo de predicción multivariable para las pautas de Pronóstico o Diagnóstico Individual (TRIPOD). Las características de los datos recopilados y generados son datos clínicos extraídos de la historia clínica electrónica. Este contiene variables continuas, nominales y dicotómicas. Los datos no se reutilizarán ni se acoplarán a datos existentes. El consentimiento informado de los pacientes es necesario para predecir el resultado utilizando el modelo desarrollado. Las políticas y leyes de privacidad son aplicables a este proyecto. El proyecto también cumplirá con todos los principios de protección de datos definidos en el Reglamento General de Protección de Datos. Se puede acceder al conjunto de datos anonimizados a través de una base de datos de Castor. Los datos a largo plazo se guardarán en el repositorio UMC de Ámsterdam con la ayuda del departamento de gestión de datos de investigación (RDM). Los datos se guardarán durante cinco años después de que finalice el proyecto.

Diccionario de datos

De los pacientes incluidos se recogerán las siguientes variables:

i. Características del paciente y del tumor Edad; sexo; índice de masa corporal; clasificación de la Sociedad Americana de Anestesiólogos (ASA); intoxicaciones (tabaquismo y/o consumo de alcohol); historial médico de diabetes; uso de esteroides (no nasales); hemoglobina; enfermedad benigna o maligna. Si hay enfermedad maligna: estadio TNM, distancia del tumor al borde anal, tratamiento neoadyuvante.

ii. Características perioperatorias Procedimiento quirúrgico, abordaje quirúrgico; conversión; ocurrencia de evento intraoperatorio (eventos hipóxicos, hipercapnia, bradicardia, hipotensión, embolia, reanimación, resección más extensa de lo planeado, lesiones de serosa, lesiones de vejiga y ureteral, sangrado intraoperatorio, esplenectomía) iii. Características justo antes de la creación de la anastomosis Temperatura del paciente; tiempo de administración de antibióticos; administración de vasopresores; pérdida de sangre; saturación de O2; presión arterial media; administración de fluidos; producción de orina; presencia de contaminación fecal; evaluación subjetiva de la perfusión local; analgesia epidural; movimientos de puertas; tiempo desde la incisión hasta la creación de la anastomosis, intención de crear estoma.

IV. Características postoperatorias Fuga anastomótica colorrectal dentro de los 30 días y duración de la estancia hospitalaria.

Procedimientos operativos estándar Los pacientes elegibles para inclusión se detectan en la primera reunión del equipo multidisciplinario. Si es elegible, el cirujano informará y discutirá este estudio con el paciente en la consulta preoperatoria para la cirugía. Si el paciente da su consentimiento para participar, se requiere un consentimiento informado por escrito. El paciente puede retirar este consentimiento en cualquier momento.

Cálculo del tamaño de la muestra En los hospitales participantes se realizan alrededor de 100 a 400 resecciones colorrectales al año, con una incidencia aproximada de fuga anastomótica del 5 al 15%. Múltiples estudios demostraron un mínimo de 100 eventos y 100 no eventos como un tamaño de muestra apropiado para la validación externa. Con un total esperado de 1200 pacientes incluidos anualmente y un porcentaje de fuga de alrededor del 10 %, incluir 100 eventos lleva aproximadamente uno o dos años.

Manejo de datos faltantes El modelo de aprendizaje automático hará una predicción en pacientes con más del 80 % de los datos requeridos disponibles. Los datos que faltan se imputan mediante la comparación de medias predictivas con diez iteraciones.

Plan de análisis estadístico La validación externa se realizará en al menos 100 eventos (fuga anastomótica) y 100 no eventos (sin fuga anastomótica). El modelo de aprendizaje automático con el mejor rendimiento predictivo en términos de AUROC se utilizará como modelo de implementación. La tasa de fuga anastomótica colorrectal se comparará en un modelo de regresión logística multivariable. Todos los análisis se realizarán bajo la supervisión de un epidemiólogo clínico.