Modèle prédictif de délai avant événement pour les complications médicales majeures après une colectomie

Contexte : Des colectomies planifiées (électives ou sensibles au facteur temps) sont pratiquées pour des indications telles que le cancer, les maladies inflammatoires de l'intestin (MII) et la diverticulite. Après une colectomie, les patients sont exposés à diverses complications médicales majeures, notamment la pneumonie, l'infarctus du myocarde (IM), l'événement vasculaire cérébral (AVC), la thromboembolie veineuse (TEV), l'insuffisance rénale aiguë (IRA) et la septicémie. Cependant, différentes complications ont tendance à se produire à différents moments après la chirurgie. Une prédiction précise des risques, non seulement si une complication peut survenir chez un patient, mais aussi quand, est cruciale pour l'éducation, la surveillance et la planification de l'élimination du patient. Alors que plusieurs études ont exploré l'incidence et la prédiction du risque binaire pour les complications majeures après les chirurgies, il y a eu peu de littérature sur la modélisation de la prédiction du temps jusqu'à la complication dans les données récentes des cohortes de population.

Objectifs

1. Développer et valider en interne des modèles de risques proportionnels de Cox pour prédire le délai avant complication pour chaque complication médicale majeure capturée dans l'ensemble de données du programme national d'amélioration de la qualité chirurgicale (NSQIP) de l'American College of Surgeons (pneumonie, infarctus du myocarde (IM), événement vasculaire cérébral (AVC), thromboembolie veineuse (TEV), insuffisance rénale aiguë (IRA) et septicémie) ou des effets indésirables (mortalité, réadmission), qui ont commencé dans les 30 jours après une colectomie élective.
2. Développer et valider en interne des modèles d'apprentissage automatique pour prédire le délai de complication pour les complications médicales majeures et les résultats indésirables (comme dans l'objectif 1) dans les 30 jours après une colectomie élective dans le cadre du NSQIP. Le meilleur modèle d'apprentissage automatique pour chaque complication sera comparé au modèle à risques proportionnels de Cox en termes de discrimination et d'étalonnage.

Méthodes : Les enquêteurs effectueront une analyse de survie dans le temps jusqu'à l'événement dans une cohorte rétrospective à l'aide de NSQIP®, un ensemble de données multicentriques recueillies de manière prospective avec plus de 150 variables cliniques dans les 30 jours suivant la chirurgie. Cet ensemble de données comprend des informations indiquant si le patient a été diagnostiqué avec des complications majeures (à l'intérieur ou à l'extérieur de l'hôpital) ainsi que le nombre de jours postopératoires jusqu'aux diagnostics de complications, tel que défini par un critère standardisé dans le manuel d'exploitation du NSQIP. L'ensemble de données général sera lié à l'ensemble de données NSQIP® Procedure Targeted Colectomy, qui contient des variables supplémentaires spécifiques à la colectomie.

L'étude sera rapportée conformément aux lignes directrices sur le rapport transparent d'un modèle de prédiction multivariable pour le pronostic ou le diagnostic individuel (TRIPOD) et aux lignes directrices pour le développement et la production de rapports sur les modèles prédictifs d'apprentissage automatique dans la recherche biomédicale.