Comparación de Puntuaciones de Riesgo Tradicionales y un Modelo Multimodal Basado en IA para Predecir Eventos Cardiovasculares Tras Cirugía Gastrointestinal (GI-MACE-AI)
Valor de Algunas Puntuaciones de Riesgo en la Predicción de Eventos Cardiovasculares Tras Cirugía Gastrointestinal
El objetivo de este estudio observacional es desarrollar y evaluar un modelo multimodal basado en inteligencia artificial (IA) para predecir eventos cardiovasculares mayores dentro de los 30 días posteriores a una cirugía gastrointestinal en adultos en el Hospital Bach Mai. El estudio también comparará el rendimiento predictivo de este modelo basado en IA con las puntuaciones de riesgo tradicionales comúnmente utilizadas.
Las principales preguntas que pretende responder son:
¿Puede un modelo multimodal basado en IA predecir eventos cardiovasculares mayores dentro de los 30 días posteriores a una cirugía gastrointestinal? ¿Muestra el modelo basado en IA un mejor rendimiento predictivo que el Índice de Riesgo Cardiaco Revisado (RCRI), la calculadora de Infarto de Miocardio o Paro Cardiaco del Programa Nacional de Mejora de la Calidad Quirúrgica del Colegio Americano de Cirujanos (ACS NSQIP MICA) y la Calculadora de Riesgo Quirúrgico ACS NSQIP (ACS NSQIP SRC)? Los investigadores compararán el modelo multimodal basado en IA con las puntuaciones de riesgo tradicionales utilizando medidas de rendimiento predictivo, incluyendo discriminación, calibración, mejora de la reclasificación neta y mejora de la discriminación integrada.
Los participantes serán adultos sometidos a cirugía gastrointestinal. Los investigadores revisarán los datos de historiales médicos de pacientes tratados en 2025 y también recopilarán los mismos tipos de datos clínicos de forma prospectiva en 2026. El resultado clínico que se predice es la ocurrencia de eventos cardiovasculares mayores dentro de los 30 días posteriores a la cirugía. El estudio no modificará la atención clínica de rutina.
Descripción general del estudio
Estado
Descripción detallada
Los eventos cardiovasculares mayores después de la cirugía gastrointestinal siguen siendo una causa importante de complicaciones postoperatorias tempranas y resultados deficientes. Las puntuaciones tradicionales de riesgo cardíaco perioperatorio, incluyendo el Índice de Riesgo Cardíaco Revisado (RCRI), la calculadora de Infarto de Miocardio o Paro Cardíaco del Programa Nacional de Mejora de la Calidad Quirúrgica del Colegio Americano de Cirujanos (ACS NSQIP MICA), y la Calculadora de Riesgo Quirúrgico del ACS NSQIP (ACS NSQIP SRC), son ampliamente utilizadas en la práctica clínica. Sin embargo, su rendimiento puede ser limitado en poblaciones quirúrgicas específicas y puede no capturar completamente las interacciones complejas entre variables clínicas, de laboratorio, fisiológicas y procedimentales.
Este estudio observacional tiene como objetivo desarrollar y evaluar un modelo multimodal basado en inteligencia artificial (IA) para predecir eventos cardiovasculares mayores dentro de los 30 días posteriores a la cirugía gastrointestinal y comparar su rendimiento predictivo con las puntuaciones de riesgo tradicionales. El estudio se llevará a cabo en el Hospital Bach Mai e incluirá a pacientes adultos sometidos a cirugía gastrointestinal. El estudio utiliza un diseño mixto retrospectivo-prospectivo, con recopilación retrospectiva de datos de pacientes tratados en 2025 y recopilación prospectiva de datos en 2026.
El resultado clínico objetivo para la predicción es la ocurrencia de eventos cardiovasculares mayores dentro de los 30 días posteriores a la cirugía. Estos eventos incluyen muerte cardiovascular, infarto de miocardio no fatal, paro cardíaco con retorno de la circulación espontánea, accidente cerebrovascular nuevo y arritmias clínicamente significativas que requieren tratamiento. Los datos utilizados para el desarrollo del modelo y la comparación pueden incluir características demográficas, antecedentes médicos, comorbilidades cardiovasculares, características quirúrgicas, información anestésica, resultados de laboratorio preoperatorios, hallazgos electrocardiográficos, biomarcadores cuando estén disponibles, y variables de evaluación funcional o de riesgo.
El resultado principal del estudio es el rendimiento de discriminación del modelo multimodal basado en IA en comparación con las puntuaciones de riesgo tradicionales, medido por el área bajo la curva característica de operación del receptor para predecir eventos cardiovasculares mayores a los 30 días después de la cirugía gastrointestinal. Los resultados secundarios incluyen el rendimiento de calibración, la mejora de reclasificación neta y la mejora de discriminación integrada del modelo multimodal basado en IA en comparación con las puntuaciones de riesgo tradicionales, incluyendo RCRI, ACS NSQIP MICA y ACS NSQIP SRC.
El estudio es observacional y no alterará el manejo perioperatorio de rutina. Los datos se obtendrán de registros médicos existentes y recopilación clínica prospectiva, se codificarán para confidencialidad y se analizarán para apoyar la estratificación de riesgo y la comparación de modelos en pacientes sometidos a cirugía gastrointestinal.
Tipo de estudio
Inscripción (Estimado)
Contactos y Ubicaciones
Ubicaciones de estudio
-
-
-
Hà Nội, Vietnam
- Reclutamiento
- Bach Mai hospital
-
Contacto:
- Nguyen Toan Thang, Thang
- Número de teléfono: PhD, MD
- Correo electrónico: nguyentoanthang@hmu.edu.vn
-
-
Criterios de participación
Criterio de elegibilidad
Edades elegibles para estudiar
- Niño
- Adulto
- Adulto Mayor
Acepta Voluntarios Saludables
Método de muestreo
Población de estudio
Descripción
Criterios de inclusión:
- Adultos de 18 años o más.
- Que se sometan a cirugía gastrointestinal en el Hospital Bach Mai entre enero de 2025 y diciembre de 2026.
- Disponibilidad de datos preoperatorios, intraoperatorios y postoperatorios suficientes para el análisis.
Criterios de exclusión:
- Muerte dentro de las 24 horas posteriores a la cirugía por una causa claramente no cardiovascular.
- Datos incompletos necesarios para el análisis.
Plan de estudios
¿Cómo está diseñado el estudio?
Detalles de diseño
Cohortes e Intervenciones
Grupo / Cohorte |
|---|
|
Cohorte General del Estudio
Adultos sometidos a cirugía gastrointestinal en el Hospital Bach Mai que están incluidos en este estudio observacional y seguidos por eventos cardiovasculares mayores dentro de los 30 días posteriores a la cirugía.
El estudio incluye datos retrospectivos de 2025 y datos prospectivos de 2026.
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Área bajo la curva de características operativas del receptor del modelo multimodal basado en inteligencia artificial para predecir eventos cardiovasculares adversos mayores a los 30 días después de una cirugía gastrointestinal
Periodo de tiempo: Desde el período preoperatorio hasta 30 días después de la cirugía.
|
Rendimiento discriminatorio del modelo multimodal basado en IA para predecir eventos adversos cardiovasculares mayores a los 30 días tras cirugía gastrointestinal.
|
Desde el período preoperatorio hasta 30 días después de la cirugía.
|
Medidas de resultado secundarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Puntuación de Brier del modelo multimodal basado en IA para predecir eventos cardiovasculares mayores a los 30 días después de cirugía gastrointestinal
Periodo de tiempo: Desde el período preoperatorio hasta 30 días después de la cirugía
|
Precisión general de predicción del modelo multimodal basado en IA evaluada mediante la puntuación de Brier.
Los valores más bajos indican un mejor rendimiento del modelo.
|
Desde el período preoperatorio hasta 30 días después de la cirugía
|
|
Mejora en la reclasificación neta del modelo multimodal basado en IA en comparación con las puntuaciones de riesgo tradicionales para predecir eventos cardiovasculares mayores a los 30 días después de una cirugía gastrointestinal
Periodo de tiempo: Utilizando datos perioperatorios recogidos desde el periodo preoperatorio hasta 30 días después de la cirugía
|
Mejora de reclasificación neta del modelo multimodal basado en IA en comparación con las puntuaciones de riesgo tradicionales para la predicción de eventos cardiovasculares mayores dentro de los 30 días posteriores a la cirugía gastrointestinal.
|
Utilizando datos perioperatorios recogidos desde el periodo preoperatorio hasta 30 días después de la cirugía
|
|
Mejora de la Discriminación Integrada del Modelo Multimodal Basado en IA en Comparación con las Puntuaciones de Riesgo Tradicionales para Predecir Eventos Cardiovasculares Mayores a los 30 Días Después de la Cirugía Gastrointestinal
Periodo de tiempo: Utilizando los datos perioperatorios recopilados desde el período preoperatorio hasta 30 días después de la cirugía
|
Mejora de la discriminación integrada del modelo multimodal basado en IA en comparación con las puntuaciones de riesgo tradicionales para la predicción de eventos cardiovasculares mayores dentro de los 30 días posteriores a la cirugía gastrointestinal.
|
Utilizando los datos perioperatorios recopilados desde el período preoperatorio hasta 30 días después de la cirugía
|
|
Área bajo la curva de características operativas del receptor del Índice de Riesgo Cardiaco Revisado para predecir eventos cardiovasculares mayores a los 30 días después de cirugía gastrointestinal
Periodo de tiempo: Desde el período preoperatorio hasta 30 días después de la cirugía
|
Rendimiento discriminatorio del Índice de Riesgo Cardiaco Revisado.
|
Desde el período preoperatorio hasta 30 días después de la cirugía
|
|
Área bajo la curva de características operativas del receptor de la Calculadora de Riesgo Quirúrgico ACS NSQIP para predecir eventos cardiovasculares mayores a 30 días después de cirugía gastrointestinal
Periodo de tiempo: Desde el periodo preoperatorio hasta 30 días después de la cirugía
|
Rendimiento de discriminación de la Calculadora de Riesgo Quirúrgico ACS NSQIP.
|
Desde el periodo preoperatorio hasta 30 días después de la cirugía
|
|
Pendiente de calibración del modelo multimodal basado en IA para predecir eventos cardiovasculares mayores a los 30 días después de cirugía gastrointestinal
Periodo de tiempo: Desde el período preoperatorio hasta 30 días después de la cirugía
|
Acuerdo entre el riesgo predicho y el observado según lo evaluado por la pendiente de calibración.
Un valor más cercano a 1 indica una mejor calibración.
|
Desde el período preoperatorio hasta 30 días después de la cirugía
|
Colaboradores e Investigadores
Patrocinador
Publicaciones y enlaces útiles
Publicaciones Generales
- Writing Committee for the VISION Study Investigators; Devereaux PJ, Biccard BM, Sigamani A, Xavier D, Chan MTV, Srinathan SK, Walsh M, Abraham V, Pearse R, Wang CY, Sessler DI, Kurz A, Szczeklik W, Berwanger O, Villar JC, Malaga G, Garg AX, Chow CK, Ackland G, Patel A, Borges FK, Belley-Cote EP, Duceppe E, Spence J, Tandon V, Williams C, Sapsford RJ, Polanczyk CA, Tiboni M, Alonso-Coello P, Faruqui A, Heels-Ansdell D, Lamy A, Whitlock R, LeManach Y, Roshanov PS, McGillion M, Kavsak P, McQueen MJ, Thabane L, Rodseth RN, Buse GAL, Bhandari M, Garutti I, Jacka MJ, Schunemann HJ, Cortes OL, Coriat P, Dvirnik N, Botto F, Pettit S, Jaffe AS, Guyatt GH. Association of Postoperative High-Sensitivity Troponin Levels With Myocardial Injury and 30-Day Mortality Among Patients Undergoing Noncardiac Surgery. JAMA. 2017 Apr 25;317(16):1642-1651. doi: 10.1001/jama.2017.4360.
- Gautam N, Mueller J, Alqaisi O, Gandhi T, Malkawi A, Tarun T, Alturkmani HJ, Zulqarnain MA, Pontone G, Al'Aref SJ. Machine Learning in Cardiovascular Risk Prediction and Precision Preventive Approaches. Curr Atheroscler Rep. 2023 Dec;25(12):1069-1081. doi: 10.1007/s11883-023-01174-3. Epub 2023 Nov 27.
- Liu T, Krentz A, Lu L, Curcin V. Machine learning based prediction models for cardiovascular disease risk using electronic health records data: systematic review and meta-analysis. Eur Heart J Digit Health. 2024 Oct 27;6(1):7-22. doi: 10.1093/ehjdh/ztae080. eCollection 2025 Jan.
- Cheng CH, Lee BJ, Nfor ON, Hsiao CH, Huang YC, Liaw YP. Using machine learning-based algorithms to construct cardiovascular risk prediction models for Taiwanese adults based on traditional and novel risk factors. BMC Med Inform Decis Mak. 2024 Jul 22;24(1):199. doi: 10.1186/s12911-024-02603-2.
- Li C, Liu X, Shen P, Sun Y, Zhou T, Chen W, Chen Q, Lin H, Tang X, Gao P. Improving cardiovascular risk prediction through machine learning modelling of irregularly repeated electronic health records. Eur Heart J Digit Health. 2023 Oct 17;5(1):30-40. doi: 10.1093/ehjdh/ztad058. eCollection 2024 Jan.
- Kothari P, Vanneman MW, Choi C, Diehl R, Fielding-Singh V. Highlights from the American College of Cardiology and American Heart Association 2024 Guideline for Perioperative Cardiovascular Management for Noncardiac Surgery. J Cardiothorac Vasc Anesth. 2025 Sep;39(9):2408-2420. doi: 10.1053/j.jvca.2025.05.014. Epub 2025 May 14.
- Vascular Events In Noncardiac Surgery Patients Cohort Evaluation (VISION) Study Investigators; Devereaux PJ, Chan MT, Alonso-Coello P, Walsh M, Berwanger O, Villar JC, Wang CY, Garutti RI, Jacka MJ, Sigamani A, Srinathan S, Biccard BM, Chow CK, Abraham V, Tiboni M, Pettit S, Szczeklik W, Lurati Buse G, Botto F, Guyatt G, Heels-Ansdell D, Sessler DI, Thorlund K, Garg AX, Mrkobrada M, Thomas S, Rodseth RN, Pearse RM, Thabane L, McQueen MJ, VanHelder T, Bhandari M, Bosch J, Kurz A, Polanczyk C, Malaga G, Nagele P, Le Manach Y, Leuwer M, Yusuf S. Association between postoperative troponin levels and 30-day mortality among patients undergoing noncardiac surgery. JAMA. 2012 Jun 6;307(21):2295-304. doi: 10.1001/jama.2012.5502.
- Writing Committee Members; Thompson A, Fleischmann KE, Smilowitz NR, de Las Fuentes L, Mukherjee D, Aggarwal NR, Ahmad FS, Allen RB, Altin SE, Auerbach A, Berger JS, Chow B, Dakik HA, Eisenstein EL, Gerhard-Herman M, Ghadimi K, Kachulis B, Leclerc J, Lee CS, Macaulay TE, Mates G, Merli GJ, Parwani P, Poole JE, Rich MW, Ruetzler K, Stain SC, Sweitzer B, Talbot AW, Vallabhajosyula S, Whittle J, Williams KA Sr. 2024 AHA/ACC/ACS/ASNC/HRS/SCA/SCCT/SCMR/SVM Guideline for Perioperative Cardiovascular Management for Noncardiac Surgery: A Report of the American College of Cardiology/American Heart Association Joint Committee on Clinical Practice Guidelines. J Am Coll Cardiol. 2024 Nov 5;84(19):1869-1969. doi: 10.1016/j.jacc.2024.06.013. Epub 2024 Sep 24.
- Bilimoria KY, Liu Y, Paruch JL, Zhou L, Kmiecik TE, Ko CY, Cohen ME. Development and evaluation of the universal ACS NSQIP surgical risk calculator: a decision aid and informed consent tool for patients and surgeons. J Am Coll Surg. 2013 Nov;217(5):833-42.e1-3. doi: 10.1016/j.jamcollsurg.2013.07.385. Epub 2013 Sep 18.
- Gupta PK, Gupta H, Sundaram A, Kaushik M, Fang X, Miller WJ, Esterbrooks DJ, Hunter CB, Pipinos II, Johanning JM, Lynch TG, Forse RA, Mohiuddin SM, Mooss AN. Development and validation of a risk calculator for prediction of cardiac risk after surgery. Circulation. 2011 Jul 26;124(4):381-7. doi: 10.1161/CIRCULATIONAHA.110.015701. Epub 2011 Jul 5.
- Lee TH, Marcantonio ER, Mangione CM, Thomas EJ, Polanczyk CA, Cook EF, Sugarbaker DJ, Donaldson MC, Poss R, Ho KK, Ludwig LE, Pedan A, Goldman L. Derivation and prospective validation of a simple index for prediction of cardiac risk of major noncardiac surgery. Circulation. 1999 Sep 7;100(10):1043-9. doi: 10.1161/01.cir.100.10.1043.
Fechas de registro del estudio
Fechas importantes del estudio
Inicio del estudio (Actual)
Finalización primaria (Estimado)
Finalización del estudio (Estimado)
Fechas de registro del estudio
Enviado por primera vez
Primero enviado que cumplió con los criterios de control de calidad
Publicado por primera vez (Actual)
Actualizaciones de registros de estudio
Última actualización publicada (Actual)
Última actualización enviada que cumplió con los criterios de control de calidad
Última verificación
Más información
Términos relacionados con este estudio
Palabras clave
Términos MeSH relevantes adicionales
Otros números de identificación del estudio
- BM_2025_238
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
Descripción del plan IPD
Información sobre medicamentos y dispositivos, documentos del estudio
Estudia un producto farmacéutico regulado por la FDA de EE. UU.
Estudia un producto de dispositivo regulado por la FDA de EE. UU.
Esta información se obtuvo directamente del sitio web clinicaltrials.gov sin cambios. Si tiene alguna solicitud para cambiar, eliminar o actualizar los detalles de su estudio, comuníquese con register@clinicaltrials.gov. Tan pronto como se implemente un cambio en clinicaltrials.gov, también se actualizará automáticamente en nuestro sitio web. .