A posztoperatív eredmények intraoperatív hemodinamikai előrejelzőinek gépi tanulási modellezése

Lay Summary

Bevezetés: Az Egészségügyi Világszervezet becslései szerint évente 270-360 millió műtétet hajtanak végre világszerte. A műtét utáni halál és szövődmények nagy kihívást jelentenek. Kanadában minden 1000 nagyobb műtétből 16 beteg hal meg a kórházban műtét után. Az Egyesült Államokban minden 1000 műtét után 67 betegnek van szüksége váratlanul életfenntartásra az intenzív osztályon. A népesség elöregedése és a korlátozott erőforrások miatt a műtét utáni egészség javítására irányuló stratégiák egyre fontosabbak.

Az életfontosságú jelek, mint például a vérnyomás és a pulzusszám, megmutatják, hogyan működik a szervezet. Az életjelek a műtét során megváltoznak a beteg, sebészeti és érzéstelenítő tényezők miatt. Az aneszteziológusok gyógyszerekkel megváltoztathatják az életjeleket. Az egészségügyi szakemberek azonban csak kezdik megérteni, hogy az érzéstelenítés alatti életjelek mely és milyen tartományai kapcsolódnak a jobb egészséghez. A gépi tanulás egy olyan eszköz, amely új módokat kínálhat az adatok megértésére. Jobb megértéssel az egészségügyi szakemberek dolgozhatnak a műtét utáni eredmények javításán.

Célkitűzés: Ez a tanulmány elemzi a műtétek alatti létfontosságú jeleket a halálhoz, a szövődményekhez (szív, tüdő, vese, agy, fertőzés), az intenzív osztályra történő felvételhez, a kórházi tartózkodás hosszához és a kórházi visszafogadáshoz való kapcsolódása szempontjából. Ez a tanulmány meghatározza, hogy mely életjelek és milyen szinten lehetnek károsak. A kutatók azt jósolják, hogy a vérnyomás, a pulzusszám, az oxigénszint, a szén-dioxid szint és a vérnyomást megváltoztató gyógyszerek szükségessége kölcsönhatásba lép a műtét utáni halálozással.

Módszerek: A Research Ethics Board jóváhagyását követően a vizsgálók elemzik az összes olyan beteg adatait, akik legalább 45 évesek, és műtéten estek át (kivéve a szívműtétet) éjszakára a Queen Elizabeth II egészségügyi központban (Halifax, Kanada) 2013. január 1-től 2017. december 1-ig. Körülbelül 35 000 alkalmas beteg van. A kutatók gépi tanulást alkalmaznak az adatok modellezésére, és tesztelik, hogy modellünk mennyire magyarázza meg a műtét utáni eredményeket.

Jelentősége: A gépi tanulás alkalmazása egy nagy, széles sebészeti populációs adatkészletben új kapcsolatokat és stratégiákat mutathat fel, amelyek a jelenlegi gyakorlatot megalapozhatják, és ötleteket generálhatnak a jövőbeli kutatásokhoz. Az életjelek műtétek alatti hatásának jobb megértése olyan módszereket mutathat be, amelyek javítják a műtét utáni eredményeket és az erőforrások elosztását. Az eredmények javaslatot tehetnek arra, hogy azonosítani lehessen azokat a magas kockázatú betegeket, akiket a műtét után szorosabban kell ellenőrizni. Ha a modell jól teljesít, más kutatókat is arra ösztönözhet, hogy a gépi tanulást használják az egészségügyi adatok kutatásában.

A részletekért lásd a teljes protokollt.

2020. májusi frissítés (adatkészlet-összesítés és elemzés előtt)

1. Hozzáadott másodlagos kimenetel (napok életben és kórházon kívül a műtét után 30 nappal)
2. Továbbfejlesztett hemodinamikai változó műtermék feldolgozó algoritmus
3. Hozzáadott altanulmány: gépi tanulás az invazív vérnyomás-műtermék-eltávolító algoritmushoz