Leikkauksen jälkeisten keuhkokomplikaatioiden ehkäisy ottamalla käyttöön koneoppimisavusteinen lähestymistapa (PEPPERMINT)

Postoperatiivisten keuhkokomplikaatioiden (POPC) ilmaantuvuuden on raportoitu olevan 9-40 % kirurgisesta toimenpiteestä riippuen. Erilaisia ​​preoperatiivisia riskitekijöitä tunnetaan, mutta niitä ei yleensä voida muuttaa. Vanhojen julkaisujen suuri ongelma oli, että pitkään aikaan ei ollut olemassa selkeää määritelmää tulosparametrille "keuhkokomplikaatio". Standardized Endpoints for Perioperative Medicine (StEP) -yhteistyössä kehitettiin standardoitu määritelmä vasta vuonna 2018 [1]. Suuren kliinisen merkityksen vuoksi - POPC:t ovat pääasiallinen postoperatiivisen sairastuvuuden ja kuolleisuuden aiheuttaja - POPC:n preoperatiiviseen ennustamiseen on kehitetty kliinisiä pisteytysjärjestelmiä, mutta niiden ennustavaa laatua on vielä parannettava [2]. Tällä hetkellä paras arvioitu pistemäärä leikkauksen jälkeisten keuhkokomplikaatioiden ennustamiseksi (ARISCAT: Assess Respiratory Risk in Surgical Patients in Catalonia) on riittävän herkkä, mutta siitä puuttuu spesifisyys [3]. Siksi testataan myös koneoppimismenetelmiä riskin määrittämiseksi preoperatiivisista rutiinitiedoista [4].

Sonografia on tulossa yhä tärkeämmäksi ei-invasiivisena tutkimusmenetelmänä, joka voidaan tehdä sängyn vieressä. Erilaisia ​​sonografisia pisteitä ja malleja on jo kehitetty ennustamaan keuhkokomplikaatioita [5]. Kuvankäsittelymenetelmiä ja koneoppimista, erityisesti syväoppimista, käytetään yhä enemmän myös ultraäänidiagnostiikassa [6,7]. Rutiininomaisen kliinisen datan ja kuvantamistietojen yhdistelmää koneoppimisalgoritmin kehittämiseksi ei ole vielä testattu. Ultraäänikuvauksen lisäksi pre- ja intraoperatiivista kliinistä tietoa käyttävät lisätyt algoritmit lupaavat kuitenkin paremman ennustetarkkuuden kuin vastaavat yksittäiset menetelmät. Lisäksi koneoppimisalgoritmiin perustuvista ennustemalleista ei ole toistaiseksi tehty kliinistä tulevaa arviointia, vaikka ne osoittavatkin hyviä arvoja "vastaanottimen toimintaominaisuuksien alla olevalle alueelle" (AUROC), tarkkuudelle ja tarkkuudelle vastaavissa testi- ja validointitietosarjoissa. harkitsi tällaisten mallien ennustuslaadun yleisiä mittareita [4].

Toimenpiteet POPC:n ehkäisemiseksi tunnetaan [8], mutta niitä ei todennäköisesti sovelleta johdonmukaisesti kliinisissä rutiineissa lisääntyneen kysynnän vuoksi, erityisesti henkilöresurssien osalta. Siksi tavoitteenamme on tunnistaa POPC-riskissä olevat potilaat koneoppimisalgoritmin perusteella.

Kaikki potilaat käyvät läpi samaa tutkimusprotokollaa koneoppimismallin kehittämiseksi. Perioperatiiviset kliiniset rutiinitiedot arvioidaan standardin mukaisesti. Leikkauksen jälkeen toipumishuoneessa tehdään standardoitu keuhkosonografia. Tämän jälkeen potilaat käydään osastolla postoperatiivisina päivinä 1, 3 ja 7 kliinisessä tutkimuksessa POPC:n havaitsemiseksi StEP-yhteistyön määrittelemien kriteerien mukaisesti.

Tapauslukulaskelmamme mukaan otamme mukaan 512 aikuispotilasta, joille tehdään valinnaisia, yleisanestesiassa tehtyjä kirurgisia toimenpiteitä. Perioperatiiviset rutiinitiedot sekä leikkauksen jälkeisen kliinisen tutkimuksen tiedot arvioidaan ja tallennetaan sairaalan sisäiseen tietokantaan. Keuhkosonografiasta saadut kuvatiedot arkistoidaan PACS:iin jatkokäsittelyä varten. Kerätyn tiedon perusteella opetetaan neuroverkkoihin perustuva koneoppimisalgoritmi ennustamaan POPC:tä. Malli on luotu anonymisoiduista tiedoista käyttämällä tilastolähtöistä ohjelmointikieltä R ja viitekehystä TensorFlow, joka on Python-ohjelmointikieleen perustuva syväoppimisohjelmistokirjasto. Luodun ennustemallin ennusteen laatua arvioidaan käyttämällä vastaanottimen operaattorin ominaisuuksien alla olevaa aluetta (AUROC) sekä tarkkuuskutsukäyrän alla olevaa pinta-alaa (AUPRC) ja sitä verrataan ARISCAT-pistemäärän arvoihin, jotka ovat yleinen pistemäärä, jolla arvioidaan POPC:n riski.

Tarkalla riskinarvioinnilla lisätyn koneoppimisalgoritmin avulla, joka käyttää kliinisiä rutiineja sekä kuvantamistietoja, on suuri potentiaali parantaa potilastuloksia ja se voi myös auttaa vähentämään terveydenhuollon kustannuksia.

1. Abbott, T.E.F., Fowler, A.J., Pelosi, P., Gama de Abreu, M., Møller, A.M., Canet, J., Craegh-Brown, B., Mythen, M., Gin, T., Lalu, M.M., Futier, E., Grocott, M.P., Schultz, M.J., Pearse, R.M., StEP-COMPAC Group (2018) Systemaattinen katsaus ja konsensusmääritelmät perioperatiivisen lääketieteen standardoiduista päätepisteistä: keuhkokomplikaatiot. Br J Anaesth, 120(5) 1066-1079.
2. Ball, L. ja Pelosi, P. (2016). Ennustavat pisteet postoperatiivisille keuhkokomplikaatioille: aika siirtyä kohti kliinistä käytäntöä. Minerva Anestesiol, 82(3) 265-267.
3. Nithiuthai, J., Siriussawakul, A., Junkai, R., Horugsa, N., Jarungjitaree, S., Triyasunant, N. (2021). Auttaako ARISCAT-pisteet ennustamaan leikkauksen jälkeisten keuhkokomplikaatioiden ilmaantuvuutta iäkkäillä potilailla ylävatsan leikkauksen jälkeen? Havaintotutkimus yhdessä yliopistollisessa sairaalassa. Perioper Med (Lontoo), 10(1) 43.
4. Xue, B., Li, D., Lu, C., King, C.R., Wildes, T., Avidan, M.S., Kannampallil, T., Abraham, J. (2021) Use of Machine Learning to Develop and Evaluate Models using Preoperatiiviset ja intraoperatiiviset tiedot postoperatiivisten komplikaatioiden riskien tunnistamiseksi. Jama Network Open, 4(3).
5. Szabo, M., Bozó, A., Darvas, K., Soós, S., Özsem M., Iványi, Z.D. (2021) Ultraäänikeuhkojen ilmastuspisteiden rooli postoperatiivisten keuhkokomplikaatioiden ennustamisessa: havainnointitutkimus. BMC Anesthesiol, 21(1) 19.
6. van Sloun, R.J.G. ja Demi, L. (2020) B-linjojen lokalisointi keuhkojen ultraäänitutkimuksessa heikosti valvotulla syväoppimisella, In-Vivo Results. IEEE J Biomed Health Inform, 24(4) 957-964.
7. Brusasco, C., Santori, G., Tavazzi, G., Via, G., Robba, C.m Gargani, L., Mojoli, F., Mongodi, S., Bruzzo, E., Trò, R., Boccacci, P., Isirdi, A., Forfori, F., Corradi, F., UCARE (Ultrasound in Critical Care and Anesthesia Research Group) (2022) Keuhkopussin ultraäänikuvien toisen asteen harmaasävykuvien analyysi akuutin hengitysvaikeusoireyhtymän erottamiseksi ja kardiogeeninen keuhkopöhö. J Clin Monit Comput, 36(1) 131-140.
8. Miskovic, A. ja Lumb, A.B. (2017). Leikkauksen jälkeiset keuhkokomplikaatiot. Br J Anaesth, 118(3), 317-334.