Leikkauksen jälkeisten tulosten intraoperatiivisten hemodynaamisten ennustajien koneoppimismallinnus

Lay Yhteenveto

Johdanto: Maailman terveysjärjestön arvion mukaan maailmanlaajuisesti tehdään vuosittain 270-360 miljoonaa leikkausta. Kuolema ja komplikaatiot leikkauksen jälkeen ovat suuri haaste. Kanadassa jokaisesta 1000 suuresta leikkauksesta 16 potilasta kuolee sairaalassa leikkauksen jälkeen. Yhdysvalloissa jokaista 1000 leikkausta kohden 67 potilasta tarvitsee yllättäen elintukea tehohoitoyksikössä. Väestön ikääntymisen ja rajallisten resurssien vuoksi strategiat terveyden parantamiseksi leikkauksen jälkeen ovat yhä tärkeämpiä.

Tärkeät merkit, kuten verenpaine ja syke, osoittavat, kuinka keho voi. Elintoiminnot muuttuvat leikkauksen aikana potilaan, kirurgisten ja anestesiatekijöiden vuoksi. Anestesiologit voivat muuttaa elintoimintoja lääkkeillä. Lääketieteen ammattilaiset ovat kuitenkin vasta alkamassa ymmärtää, mitkä ja millaiset anestesian elintoiminnot liittyvät parempaan terveyteen. Koneoppiminen on työkalu, joka voi tarjota uusia tapoja ymmärtää dataa. Paremmalla ymmärryksellä lääketieteen ammattilaiset voivat parantaa tuloksia leikkauksen jälkeen.

Tavoite: Tässä tutkimuksessa analysoidaan leikkausten aikana esiintyviä elintärkeitä merkkejä niiden yhteyksien suhteen kuolemaan, komplikaatioihin (sydän, keuhkot, munuaiset, aivot, infektio), tehohoitoon pääsyyn, sairaalahoidon kestoon ja sairaalaan takaisinottoon. Tämä tutkimus määrittää, mitkä elintoiminnot voivat olla haitallisia ja minkä tasoisia. Tutkijat ennustavat, että verenpaine, syke, happitaso, hiilidioksiditaso ja verenpainetta muuttavien lääkkeiden tarve vaikuttavat vuorovaikutuksessa kuolemaan leikkauksen jälkeen.

Menetelmät: Tutkimuksen eettisen lautakunnan hyväksynnän saatuaan tutkijat analysoivat tiedot kaikista vähintään 45-vuotiaista potilaista, joille on tehty leikkaus (lukuun ottamatta sydänleikkausta), ja he yöpyvät Queen Elizabeth II -terveyskeskuksessa (Halifax, Kanada) 1.1.2013–1.12.2017. Sopivia potilaita on noin 35 000. Tutkijat käyttävät koneoppimista mallintaakseen tietoja ja testatakseen, kuinka hyvin mallimme selittää leikkauksen jälkeiset tulokset.

Merkitys: Koneoppimisen käyttö suuressa, laajassa leikkauspopulaatiotietojoukossa voisi havaita uusia suhteita ja strategioita, jotka voivat antaa tietoa nykyisestä käytännöstä ja luoda ideoita tulevaa tutkimusta varten. Elintoimintojen vaikutuksen parempi ymmärtäminen leikkausten aikana voi paljastaa menetelmiä, joilla voidaan parantaa tuloksia ja resurssien kohdentamista leikkauksen jälkeen. Tulokset voivat ehdottaa tapoja tunnistaa korkean riskin potilaat, joita tulisi seurata tarkemmin leikkauksen jälkeen. Jos malli toimii hyvin, se voi motivoida muita tutkijoita käyttämään koneoppimista terveystiedon tutkimuksessa.

Katso lisätietoja koko protokollasta.

Toukokuun 2020 päivitys (ennen tietojoukon yhdistämistä ja analysointia)

1. Lisätty toissijainen tulos (päiviä elossa ja poissa sairaalasta 30 päivää leikkauksen jälkeen)
2. Parannettu hemodynaamisten muuttujien artefaktien käsittelyalgoritmi
3. Lisätty alatutkimus: koneoppiminen invasiivisen verenpaineen artefaktien poistoalgoritmille