A1Check: a colorectalis anasztomózis szivárgását előrejelző gépi tanulási modell külső validálása (A1Check)

A vizsgálat menete A tanulmány célja egy olyan gépi tanulási modell külső validálása, amely előrejelzi a colorectalis anasztomózis szivárgását. A külsőleg validált előrejelzési modellt egy leendő adatbázison fejlesztik ki. Ez az adatbázis 2483 vastag- és végbélrákos beteg adatait tartalmazta, akiken 2016 januárja és 2021 áprilisa között négy különböző ország (Hollandia, Olaszország, Belgium, Ausztrália) 14 vidéki és akadémiai kórházában estek át sebészeti beavatkozáson. Mintegy 189 betegnél (7,6%) alakult ki kolorektális anasztomózis szivárgás. A modellek a kolorektális anasztomózis szivárgás kockázatát intraoperatívan, közvetlenül az anasztomózis felépítése előtt jelezték előre, összesen 31 változó felhasználásával. Ezek a változók mind a preoperatívan rendelkezésre álló adatokat, mind a beteg intraoperatív állapotára vonatkozó változókat tartalmazzák. A modelleket 10-szeres keresztvalidációval belsőleg validálták, majd az adatbázis nem látott adatainak 20%-án tesztelték. A tesztkészlet legjobban teljesítő gépi tanulási modelljének görbe alatti területe – vevő működési jellemzői (AUROC) 0,84, érzékenysége 0,86, specificitása 0,78, pozitív prediktív értéke 0,24 és negatív prediktív értéke 0,99.

Ebben a prospektív szimulációs vizsgálatban nincs közvetlen előny vagy kockázat a résztvevő betegek számára. Ez a prospektív szimulációs vizsgálat beavatkozásmentes lesz, a predikciós modellek nem változtatják meg az eredeti napi gyakorlatot, és ebben a fázisban nem diagnosztikai eszközként kívánják használni. Intraoperatívan, közvetlenül az anasztomózis felépítése előtt, a predikciós modell a beteg, daganat és intraoperatív változók (az Adatszótár bekezdésben felsorolt) felhasználásával előrejelzi az anasztomózis szivárgás valószínűségét. A SAS VIYA a gépi tanulási modell bevezetésére szolgál. A prospektív szimulációs vizsgálat során ezeknek az előrejelzéseknek a pontszámai csak az elvi és a kutatást végző kutatók számára állnak rendelkezésre, így a részt vevő kórházak vagy operáló sebészek számára nem ismertek, hogy a kutatás ezen szakaszában elkerülhető legyen bármilyen befolyásolás a jelenlegi napi gyakorlatra. Harminc nappal a műtét után a betegek adatait gyűjtik az anasztomózis szivárgás előfordulására vonatkozóan. Az AUROC, az érzékenység, a specificitás és a pontosság ezután a valódi pozitívnak, valódi negatívnak, hamis pozitívnak vagy hamis negatívnak értékelt betegek száma alapján kerül kiszámításra. Legalább 100 esemény és 100 nem esemény után a külső validálás befejeződik, és bemutatásra kerül a végső AUROC, érzékenységi és specificitási pontszám.

Minőségbiztosítási terv, adatellenőrzés, forrásadatok ellenőrzése Az adatokat bizalmasan és névtelenül kezeljük. Az adatokat ál-anonimizálják a vezető kutató és a kutatók számára. A pszeudoanonimizált adatok a Castor adatbázisba kerülnek. Az adatok leírásához egy adatszótárat csatolunk az eredeti adatkészlethez metaadatokkal. Minden részt vevő kórház adatmegosztási megállapodással rendelkezik, hogy biztonságosan megosszák a bevont betegek adatait a vezető kutatóval és a kutatókkal. Intézményünk szabályzatának megfelelően adatkezelési szakértő közreműködésével adatkezelési tervet készítünk, valamint az Egyéni Prognózis vagy Diagnózis (TRIPOD) többváltozós előrejelzési modelljének átlátható jelentését. Az összegyűjtött és előállított adatok jellemzői: az elektronikus egészségügyi nyilvántartásból kinyert klinikai adatok. Ez folytonos, nominális és dichotóm változókat tartalmaz. Az adatokat nem használjuk fel újra, és nem kapcsoljuk össze a meglévő adatokkal. A betegek tájékozott beleegyezése szükséges a kimenetel előrejelzéséhez a kifejlesztett modell segítségével. Erre a projektre adatvédelmi szabályzatok és törvények vonatkoznak. A projekt az Általános Adatvédelmi Rendeletben meghatározott valamennyi adatvédelmi elvnek is megfelel. Az anonimizált adatkészlet egy Castor adatbázison keresztül érhető el. A hosszú távú adatok az amszterdami UMC repository-ban kerülnek mentésre a kutatási adatkezelési (RDM) osztály segítségével. Az adatokat a projekt befejezése után öt évig tároljuk.

Adatszótár

A következő változókat gyűjtjük össze a bevont betegektől:

én. A beteg és a daganat jellemzői Életkor; szex; testtömeg-index; Amerikai Aneszteziológusok Társaságának (ASA) osztályozása; mérgezések (dohányzás és/vagy alkoholfogyasztás); cukorbetegség kórtörténete; szteroidhasználat (nem orrba); hemoglobin; jóindulatú vagy rosszindulatú betegség. Ha van rosszindulatú betegség: TNM-stádium, tumor távolság az anális szegélytől, neoadjuváns kezelés.

ii. Perioperatív jellemzők Sebészeti beavatkozás, műtéti megközelítés; átalakítás; intraoperatív esemény előfordulása (hipoxiás események, hypercarbia, bradycardia, hipotenzió, embólia, reanimáció, a tervezettnél kiterjedtebb reszekció, serosa léziók, hólyag és ureter sérülések, intraoperatív vérzés, splenectomia) iii. Jellemzők közvetlenül az anasztomózis létrehozása előtt A beteg hőmérséklete; az antibiotikumok beadásának ideje; vazopresszorok beadása; vérveszteség; O2 telítettség; átlagos artériás nyomás; folyadék beadása; vizelet termelés; székletszennyeződés jelenléte; a helyi perfúzió szubjektív értékelése; epidurális fájdalomcsillapítás; ajtómozgások; a metszéstől az anasztomózis létrejöttéig eltelt idő, sztóma létrehozásának szándéka.

iv. Posztoperatív jellemzők Kolorektális anasztomózis szivárgás 30 napon belül és a kórházi tartózkodás időtartama.

Szabványos működési eljárások A felvételre jogosult betegeket az első multidiszciplináris team értekezleten észlelik. Ha jogosult, a sebész tájékoztatja és megvitatja a vizsgálatot a pácienssel a műtét előtti konzultáció során. Ha a beteg beleegyezik a részvételbe, írásos beleegyezése szükséges. A beteg ezt a hozzájárulását bármikor visszavonhatja.

Mintaméret számítás A részt vevő kórházakban évente körülbelül 100-400 colorectalis reszekciót végeznek, az anasztomózis szivárgás incidenciája megközelítőleg 5-15%. Több tanulmány kimutatta, hogy legalább 100 esemény és 100 nem esemény megfelelő mintaméret a külső validáláshoz. Évente várhatóan összesen 1200 beteget vonnak be, és a szivárgási százalék körülbelül 10%, beleértve a 100 eseményt, körülbelül egy-két évig tart.

A hiányzó adatok kezelése A gépi tanulási modell előrejelzést ad azoknál a betegeknél, akiknél a szükséges adatok több mint 80%-a rendelkezésre áll. A hiányzó adatokat prediktív átlagillesztéssel imputáljuk tíz iterációval.

Statisztikai elemzési terv A külső validálást legalább 100 eseményen (anasztomózisos szivárgás) és 100 nem eseményen (nincs anasztomózisos szivárgás) kell elvégezni. Az AUROC szempontjából a legjobb prediktív teljesítményt nyújtó gépi tanulási modellt fogják használni megvalósítási modellként. A kolorektális anasztomózis szivárgási arányát egy többváltozós logisztikus regressziós modellben hasonlítjuk össze. Minden elemzés klinikai epidemiológus felügyelete mellett történik.