Intra- és posztoperatív kockázat-előrejelző modellek létrehozása, megvalósítása és validálása

Háromfázisú tanulmány készült:

1. fázis: A prediktív modell levezetése és belső validálása egy reprospektív kohorsz vizsgálat segítségével, amelyben a betegeket a Galdakao-Usansolo Kórházban (HGU), Urduliz Kórházban (HU), Basurto Egyetemi Kórházban (HUB), Donostia Egyetemi Kórházban operálták. HUD) és az Araba Egyetemi Kórház (HUA) felvételére kerül sor. Hospital universitario de Donostia (HUD) és Hospital universitario de Araba (HUA) XXX éven keresztül, és az adatokat a műtét előtti időszaktól a műtétből való elbocsátás hónapjáig gyűjtik. E modellek azonosításához és létrehozásához gépi tanulási technikákat alkalmazunk, amelyek fő célja a szakirodalomban nem leírt változók azonosítása. A gépi tanulás a mesterséges intelligencia legfontosabb ága. A gépi tanuláson belül a felügyelt tanulás a legszélesebb körben használt terület. A felügyelt tanulás lehetővé teszi a számítógépek számára, hogy megtanuljanak feladatokat végrehajtani azáltal, hogy nagy mennyiségű adatban összetett mintákat fedeznek fel és hasznosítanak. Az elektronikus egészségügyi feljegyzésekből származó adatok konkrét esetében a Machine Learning algoritmusok lehetővé teszik, hogy minden egyes páciens történeti adatait felhasználjuk, így a számítógép megtanulja személyre szabottan előre látni a jövőbeli eseményeket.
2. fázis: Az első fázisban megalkotott modellek külső validálása a 2020-ban megoperált betegcsoportban, ugyanazon centrumokban. A Debray és munkatársai által javasolt módszertan. kerül alkalmazásra.
3. rd fázis: Az eredmények értékelése a modellek bevezetése után a Galdakao-Usansolo Kórház EHR-jében „Action Guide” formájában. Az előző fázisokban elvégzett kockázati rétegződés alapján az altatási osztály a kockázat mértékének megfelelően cselekvési javaslatokat készít. A halálozási arányok, valamint az intra- és posztoperatív szövődmények arányát kvázi-kísérleti beavatkozási vizsgálattal hasonlítják össze, összehasonlítva annak a HGU kórháznak az eredményeit, ahol a kockázati skálát és az abból következő ajánlásokat végrehajtják, bevezetés előtt és után, valamint összehasonlítva azokat a szövődményessé és/vagy meghaló betegek százalékos arányával HU, HUB, HUD és HUA-ban, ahol a szokásos klinikai gyakorlatot követik, az ASA skála alapján. Ezt a leendő kohorszt a kockázati skála bevezetése után külső validálásra is használják (2020–2021).

Társadalmi-demográfiai és klinikai változók (fő diagnózis, társbetegségek, kezelések, korábbi beavatkozások, intraoperatív adatok, posztoperatív adatok, kórházi kezelés során végzett eljárások, szövődmények a kórházi elbocsátást követő egy hónapig) és laboratóriumi paraméterek gyűjtése történik.

Ezeket az információkat az osabide globális adatkihasználó rendszeréből, az Oracle Business Intelligence-ből, a laboratóriumi adatokat pedig az érintett központok klinikai laboratóriumainak információs rendszereiből nyerik ki.