Modellazione di apprendimento automatico dei predittori emodinamici intraoperatori degli esiti postoperatori

Sommario laico

Introduzione: L'Organizzazione Mondiale della Sanità stima che ogni anno vengano eseguiti 270-360 milioni di operazioni in tutto il mondo. La morte e le complicazioni dopo l'intervento chirurgico sono una grande sfida. In Canada, ogni 1000 interventi chirurgici importanti, 16 pazienti muoiono in ospedale dopo l'intervento. Negli Stati Uniti, per ogni 1000 operazioni, 67 pazienti necessitano inaspettatamente di supporto vitale nell'unità di terapia intensiva. Con l'invecchiamento della popolazione e le risorse limitate, le strategie per migliorare la salute dopo l'intervento chirurgico sono sempre più importanti.

I segni vitali, come la pressione sanguigna e la frequenza cardiaca, mostrano come sta andando il corpo. I segni vitali cambiano durante l'intervento chirurgico a causa di fattori del paziente, chirurgici e anestetici. Gli anestesisti possono modificare i segni vitali con i farmaci. Tuttavia, i professionisti medici stanno solo iniziando a capire quali e quali intervalli di segni vitali sotto anestesia sono associati a una salute migliore. L'apprendimento automatico è uno strumento che può fornire nuovi modi per comprendere i dati. Con una migliore comprensione, i professionisti medici possono lavorare per migliorare i risultati dopo l'intervento chirurgico.

Obiettivo: questo studio analizzerà i segni vitali durante gli interventi chirurgici per i loro collegamenti con morte, complicanze (cuore, polmone, rene, cervello, infezione), ricovero in unità di terapia intensiva, durata della degenza ospedaliera e riammissione ospedaliera. Questo studio determinerà quali e quali livelli di segni vitali possono essere dannosi. Gli investigatori prevedono che la pressione sanguigna, la frequenza cardiaca, il livello di ossigeno, il livello di anidride carbonica e la necessità di farmaci per modificare la pressione sanguigna interagiranno per essere associati alla morte dopo l'intervento chirurgico.

Metodi: dopo aver ottenuto l'approvazione del Research Ethics Board, gli investigatori analizzeranno i dati di tutti i pazienti che hanno almeno 45 anni e hanno subito un'operazione (ad eccezione della cardiochirurgia) con un pernottamento presso il centro sanitario Queen Elizabeth II (Halifax, Canada) dal 1 gennaio 2013 al 1 dicembre 2017. Ci sono circa 35.000 pazienti ammissibili. Gli investigatori utilizzeranno l'apprendimento automatico per modellare i dati e verificare quanto bene il nostro modello spiega i risultati dopo l'intervento chirurgico.

Significato: l'uso dell'apprendimento automatico in un ampio e ampio set di dati sulla popolazione chirurgica potrebbe rilevare nuove relazioni e strategie che potrebbero informare la pratica attuale e generare idee per la ricerca futura. Una migliore comprensione dell'impatto dei segni vitali durante gli interventi chirurgici può svelare metodi per migliorare i risultati e l'allocazione delle risorse dopo l'intervento chirurgico. I risultati possono suggerire modi per identificare i pazienti ad alto rischio che dovrebbero essere monitorati più da vicino dopo l'intervento chirurgico. Se il modello funziona bene, potrebbe motivare altri ricercatori a utilizzare l'apprendimento automatico nella ricerca sui dati sanitari.

Si prega di consultare il protocollo completo per i dettagli.

Aggiornamento di maggio 2020 (prima dell'aggregazione e dell'analisi del set di dati)

1. Aggiunto esito secondario (giorni vivi e fuori dall'ospedale a 30 giorni dopo l'intervento)
2. Algoritmo di elaborazione degli artefatti variabili emodinamici migliorato
3. Aggiunto sottostudio: apprendimento automatico per l'algoritmo di rimozione degli artefatti della pressione arteriosa invasiva