Plateformes d'apprentissage automatique pour prédire la mortalité à 30 jours après une laparotomie d'urgence

La laparotomie d'urgence (EL) est une procédure couramment pratiquée et une chirurgie à haut risque qui est connue pour avoir un taux de mortalité et de morbidité élevé. Malgré divers audits et études pour identifier les facteurs de risque et mettre en place des protocoles visant à améliorer les résultats chirurgicaux, la mortalité à court terme après EL reste élevée. Les données mondiales démontrent que la mortalité à court terme (30 jours) varie entre 5,3 et 21,8 %, et les taux de mortalité à long terme (1 an) varient entre 15 et 47 % (Réf 1). Les patients plus âgés ont été identifiés comme le sous-groupe souffrant des taux de mortalité les plus élevés, et des efforts ont été mis en œuvre chez les patients âgés subissant une EL, notamment : l'utilisation de calculateurs de risque pour la prédiction de la mortalité, une augmentation de l'apport périopératoire du gériatre et des soins intensifs, une plus grande présence de chirurgien consultant et d'anesthésiste au bloc opératoire et mise en place de parcours de soins enrichis. Outre l'âge et l'apport d'un spécialiste, les autres facteurs de risque de mortalité après EL comprennent : la fragilité, la durée de la chirurgie, la chirurgie liée au cancer, les soins de stomie, la sélection des patients, la septicémie préopératoire et les paramètres physiologiques, les comorbidités préexistantes, le statut ASA (Réf 2 ).

Les modèles de prédiction de la mortalité actuellement utilisés en clinique pour l'EL comprennent le Portsmouth-Physiologic and Operative Severity Score for the enumeration of Mortality and morbidity (P-POSSUM), Acute Physiology and Chronic Health Evaluation II (APACHE-II), American College of Surgeons National Surgical Amélioration de la qualité (ACS-NSQIP) et l'ajout le plus récent du calculateur de risque (NELA). Le National Emergency Laparotomy Audit (NELA) réalisé au Royaume-Uni depuis 2012 a été un changement de paradigme dans l'amélioration fondée sur des données probantes pour les patients subissant une LE, démontrant une réduction du taux national de mortalité à 30 jours (11,8 % contre 8,7 % en 2012 contre 2012) après identification et mise en œuvre de recommandations spécifiques (Réf 3).

À l'aide des données de la grande cohorte NELA UK entre 2014 et 2016, l'outil de calcul du risque NELA a été développé pour estimer la mortalité à 30 jours et prend en compte les données démographiques des patients, le statut ASA, les paramètres physiologiques, les signes vitaux et les détails concernant la gravité et la nature. d'intervention chirurgicale. Plusieurs études au Royaume-Uni, en Australie et à Singapour ont montré que le calculateur de risque NELA est comparable, voire supérieur, à P-POSSUM pour la prédiction de la mortalité et la stratification du risque afin de différencier les patients à faible et à haut risque subissant une EL (Réf. 5, 6, 7) . Cependant, aucun score de risque n'est parfait. Le modèle de risque NELA s'est avéré sous-estimer et P-POSSUM surestimer la mortalité observée (Réf 8). Depuis son introduction, NELA a été un pionnier dans le développement d'interventions fondées sur des preuves et d'orientations pour la recherche future chez les patients subissant une EL, mais sa mise en œuvre à Hong Kong a été limitée par le manque de validation de l'exactitude dans notre population de patients.

La fragilité est définie comme : une mesure objective de la vulnérabilité accrue et de la réserve physiologique réduite, entraînant une accumulation de déficits physiologiques dans plusieurs systèmes, et peut survenir chez des patients de tous âges, mais survient le plus souvent chez des patients plus âgés. La fragilité est un facteur de risque bien connu de mauvais résultats chirurgicaux dans l'EL (Réf 9, 10), mais n'a pas encore été intégré dans les calculateurs de risque couramment utilisés. Il existe de nombreux scores de risque et indices de substitution pour la fragilité, la sarcopénie et l'ostéopénie. Le score de fragilité clinique (CFS) est l'indice de fragilité le plus couramment utilisé, et il a été démontré que le CFS seul fournit des informations pronostiques pour les patients subissant une EL, mais reste sous-performant par rapport à la NELA. Fait intéressant, l'ajout de CFS à NELA n'a pas augmenté la précision de la prédiction du modèle de risque (Réf 11).

L'application de l'apprentissage en profondeur et de l'apprentissage automatique gagne du terrain et a été utilisée pour développer divers modèles de prédiction des risques et la prédiction des événements futurs (Réf 4). L'accumulation de vastes ensembles de données à partir d'enregistrements anesthésiques peut s'avérer être un trésor pour les scientifiques des données afin de découvrir de nouvelles tendances et prévisions qui seraient auparavant ignorées. Les calculateurs de risque sont des outils utiles pour les cliniciens pour aider à la prise de décision clinique, mais l'exactitude et la validation de ces calculateurs de risque n'ont pas été faites dans ce voisinage. En utilisant des algorithmes d'apprentissage automatique et l'incorporation de la fragilité dans les calculateurs de risque, nous espérons développer un nouvel algorithme avec une précision et une généralisabilité élevées, à introduire dans l'utilisation clinique.

Les références:

1. (Réf 1 : Ng et. al, résultats d'un an après laparotomie d'urgence : une revue systématique, World J surg, 2022, https://pubmed.ncbi.nlm.nih.gov/34837122/)
2. (Réf 2 : (Réf : Boyd-Carson et al, Examen des facteurs chirurgicaux et périopératoires à prendre en compte dans les soins de laparotomie d'urgence, 2020, Anesthésie, https://pubmed.ncbi.nlm.nih.gov/31903572/)
3. (Réf 3 : Équipe du projet NELA. Seventh Patient Report of the National Emergency Laparotomy Audit RCoA London 2021)
4. (Réf 4 : Kwon et al, Machine learning : une nouvelle opportunité pour la prédiction des risques, Korean Circ J. 2020, https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6923232/)
5. (Réf 5 : Lai et al, Une comparaison du score de risque P-POSUSM et NELA pour les patients subissant une laparotomie d'urgence à Singapour, World J Surg, 2021, https://pubmed.ncbi.nlm.nih.gov/33903953/)
6. (Réf 6 : Eliezer et al, Laparotomie d'urgence à haut risque en Australie : comparaison des calculateurs NELA, P-POSSUM et ACS-NSQIP, J of surg research, 2020, https://www.sciencedirect.com/science/article/abs/ pii/S0022480419306584 )
7. (Réf 7 : Eugene et al, Développement et validation interne d'un nouveau modèle d'ajustement des risques pour les patients adultes subissant une chirurgie de laparotomie d'urgence : le modèle national de risque d'audit de laparotomie d'urgence, BJA, 2018, https://www.sciencedirect.com/science/ article/pii/S0007091218305786 )
8. (Réf 8 : Thahir A, Pinto-Lopes R, Madenlidou S, Daby L, Halahakoon C. Cotation du risque de mortalité en chirurgie générale d'urgence : utilisons-nous le meilleur outil ? Journal de pratique périopératoire. 2021;31(4):153-158. doi:10.1177/1750458920920133, https://journals.sagepub.com/doi/abs/10.1177/1750458920920133)
9. (Réf 9 : Fehlmann et al, Association entre la mortalité et la fragilité en chirurgie générale d'urgence : une revue systématique et une méta-analyse, Euro J Trauma Emerg Surg, 2022, https://link.springer.com/article/10.1007/s00068- 020-01578-9)
10. (Réf 10 : Lee et al, 2020, https://doi.org/10.1111/jgs.16334 (https://agsjournals.onlinelibrary.wiley.com/doi/epdf/10.1111/jgs.16334))
11. (Réf 11 : Palaniappan - Comparaison du score de fragilité clinique CFS à l'urgence nationale.Palaniappan et al, Comparaison du CFS au calculateur de risque NELA chez tous les patients subissant une laparotomie d'urgence, Maladie colorectale, 2022, https://onlinelibrary.wiley. com/doi/full/10.1111/codi.16089 )