Modélisation par apprentissage automatique des prédicteurs hémodynamiques peropératoires des résultats postopératoires

Résumé profane

Introduction : L'Organisation mondiale de la santé estime que 270 à 360 millions d'opérations sont pratiquées chaque année dans le monde. La mort et les complications après la chirurgie sont un grand défi. Au Canada, sur 1 000 chirurgies majeures, 16 patients meurent à l'hôpital après une chirurgie. Aux États-Unis, pour 1000 opérations, 67 patients ont besoin de manière inattendue d'une assistance respiratoire dans l'unité de soins intensifs. Avec le vieillissement de la population et les ressources limitées, les stratégies pour améliorer la santé après la chirurgie sont de plus en plus importantes.

Les signes vitaux, tels que la pression artérielle et la fréquence cardiaque, montrent comment va le corps. Les signes vitaux changent pendant la chirurgie en raison de facteurs liés au patient, à la chirurgie et à l'anesthésie. Les anesthésistes peuvent modifier les signes vitaux avec des médicaments. Cependant, les professionnels de la santé commencent seulement à comprendre quels signes vitaux sous anesthésie et quelles gammes de signes vitaux sont associés à une meilleure santé. L'apprentissage automatique est un outil qui peut fournir de nouvelles façons de comprendre les données. Avec une meilleure compréhension, les professionnels de la santé peuvent travailler pour améliorer les résultats après la chirurgie.

Objectif : Cette étude analysera les signes vitaux pendant les chirurgies pour leurs liens avec le décès, les complications (cœur, poumon, rein, cerveau, infection), l'admission en unité de soins intensifs, la durée du séjour à l'hôpital et la réadmission à l'hôpital. Cette étude déterminera quels signes vitaux et quels niveaux de signes vitaux peuvent être nocifs. Les chercheurs prédisent que la pression artérielle, la fréquence cardiaque, le niveau d'oxygène, le niveau de dioxyde de carbone et le besoin de médicaments pour modifier la pression artérielle interagiront pour être associés à la mort après la chirurgie.

Méthodes : Après avoir obtenu l'approbation du comité d'éthique de la recherche, les chercheurs analyseront les données de tous les patients âgés d'au moins 45 ans et ayant subi une opération (à l'exception d'une chirurgie cardiaque) avec une nuitée au centre de santé Queen Elizabeth II (Halifax, Canada) du 1er janvier 2013 au 1er décembre 2017. Il y a environ 35 000 patients éligibles. Les chercheurs utiliseront l'apprentissage automatique pour modéliser les données et tester dans quelle mesure notre modèle explique les résultats après la chirurgie.

Importance : L'utilisation de l'apprentissage automatique dans un vaste ensemble de données sur la population chirurgicale pourrait détecter de nouvelles relations et stratégies susceptibles d'éclairer la pratique actuelle et de générer des idées pour de futures recherches. Une meilleure compréhension de l'impact des signes vitaux pendant les chirurgies peut dévoiler des méthodes pour améliorer les résultats et l'allocation des ressources après la chirurgie. Les résultats peuvent suggérer des moyens d'identifier les patients à haut risque qui devraient être surveillés de plus près après la chirurgie. Si le modèle fonctionne bien, il peut motiver d'autres chercheurs à utiliser l'apprentissage automatique dans la recherche de données sur la santé.

Veuillez consulter le protocole complet pour plus de détails.

Mise à jour de mai 2020 (avant l'agrégation et l'analyse des ensembles de données)

1. Résultat secondaire ajouté (jours en vie et hors de l'hôpital à 30 jours après l'opération)
2. Algorithme amélioré de traitement des artefacts variables hémodynamiques
3. Sous-étude ajoutée : apprentissage automatique pour l'algorithme de suppression des artefacts de pression artérielle invasive