Prevenire le complicanze polmonari postoperatorie stabilendo un approccio assistito dall'apprendimento automatico (PEPPERMINT)

L'incidenza delle complicanze polmonari postoperatorie (POPC) risulta essere del 9-40%, a seconda della procedura chirurgica. Sono noti vari fattori di rischio preoperatori, ma di solito non possono essere modificati. Uno dei principali problemi delle pubblicazioni precedenti è stato che per lungo tempo non è esistita una chiara definizione del parametro di esito "complicanza polmonare". Non è stato fino al 2018 che una definizione standardizzata è stata sviluppata dalla collaborazione Standardized Endpoints for Perioperative Medicine (StEP) [1]. A causa dell'elevata rilevanza clinica - i POPC sono la principale causa di morbilità e mortalità postoperatoria - sono stati sviluppati sistemi di punteggio clinico per la previsione preoperatoria di POPC, ma la loro qualità predittiva deve ancora essere migliorata [2]. Il punteggio attualmente meglio valutato per la previsione delle complicanze polmonari postoperatorie (ARISCAT: Assess Respiratory Risk in Surgical Patients in Catalonia) ha una sensibilità sufficiente ma manca di specificità [3]. Pertanto, vengono testati anche metodi di apprendimento automatico per determinare il rischio dai dati di routine preoperatori [4].

L'ecografia sta diventando sempre più importante come metodo di esame non invasivo che può essere eseguito al letto del paziente. Sono già stati sviluppati vari punteggi e modelli ecografici per prevedere le complicanze polmonari [5]. Anche i metodi di elaborazione delle immagini e l'apprendimento automatico, in particolare il deep learning, sono sempre più utilizzati nella diagnostica ecografica [6,7]. Una combinazione di dati clinici di routine e dati di imaging per sviluppare un algoritmo di apprendimento automatico non è stata ancora testata. Tuttavia, algoritmi potenziati che utilizzano informazioni cliniche preoperatorie e intraoperatorie oltre all'imaging ecografico promettono una migliore accuratezza predittiva rispetto ai rispettivi metodi individuali. Inoltre, ad oggi manca una valutazione clinica prospettica dei modelli di previsione basati su algoritmi di apprendimento automatico, sebbene mostrino buoni valori per "area sotto le caratteristiche operative del ricevitore" (AUROC), accuratezza e precisione nei rispettivi set di dati di test e convalida, che sono considerato misure comuni della qualità predittiva di tali modelli [4].

Le misure per la prevenzione del POPC sono note [8], ma probabilmente non sono applicate in modo coerente nella routine clinica a causa dell'aumento della domanda, soprattutto di risorse umane. Pertanto, il nostro obiettivo è identificare i pazienti a rischio di POPC sulla base di un algoritmo di apprendimento automatico.

Tutti i pazienti stanno seguendo lo stesso protocollo di studio per sviluppare il modello di apprendimento automatico. I dati di routine clinica perioperatoria saranno valutati secondo lo standard. Dopo l'intervento, verrà eseguita un'ecografia polmonare standardizzata nella sala di risveglio. I pazienti saranno quindi visitati in reparto nei giorni 1, 3 e 7 postoperatori per l'esame clinico per rilevare POPC secondo i criteri elaborati dalla collaborazione StEP.

Secondo il nostro calcolo del numero di casi, includeremo 512 pazienti adulti sottoposti a procedure chirurgiche elettive in anestesia generale. I dati di routine perioperatori saranno valutati e archiviati in un database interno all'ospedale, così come i dati dell'esame clinico postoperatorio. I dati delle immagini dall'ecografia polmonare saranno archiviati nel PACS per un'ulteriore elaborazione. Sulla base dei dati raccolti, verrà addestrato un algoritmo di apprendimento automatico basato su reti neurali per prevedere POPC. Il modello viene creato con i dati anonimizzati utilizzando il linguaggio di programmazione orientato alla statistica R e il framework TensorFlow, una libreria software di deep learning basata sul linguaggio di programmazione Python. La qualità della previsione del modello di previsione creato viene valutata utilizzando l'area sotto le caratteristiche dell'operatore del ricevitore (AUROC) e l'area sotto la curva di richiamo di precisione (AUPRC) e confrontata con i valori del punteggio ARISCAT, un punteggio comune per stimare il rischio di POPC.

La valutazione precisa del rischio mediante un algoritmo di apprendimento automatico potenziato che utilizza la routine clinica e i dati di imaging ha un grande potenziale per migliorare i risultati dei pazienti e potrebbe anche aiutare a ridurre i costi sanitari.

1. Abbott, TEF, Fowler, AJ, Pelosi, P., Gama de Abreu, M., Møller, AM, Canet, J., Craegh-Brown, B., Mythen, M., Gin, T., Lalu, MM, Futier, E., Grocott, M.P., Schultz, M.J., Pearse, RM, StEP-COMPAC Group (2018) Una revisione sistematica e definizioni di consenso per gli endpoint standardizzati nella medicina perioperatoria: complicanze polmonari. Br J Anaesth, 120(5) 1066-1079.
2. Palla, L. e Pelosi, P. (2016). Punteggi predittivi per complicanze polmonari postoperatorie: è tempo di passare alla pratica clinica. Minerva Anestesiol, 82(3) 265-267.
3. Nithiuthai, J., Siriussawakul, A., Junkai, R., Horugsa, N., Jarungjitaree, S., Triyasunant, N. (2021). I punteggi ARISCAT aiutano a prevedere l'incidenza di complicanze polmonari postoperatorie nei pazienti anziani dopo chirurgia addominale superiore? Uno studio osservazionale presso un singolo ospedale universitario. Perioper Med (Londra), 10(1) 43.
4. Xue, B., Li, D., Lu, C., King, C.R., Wildes, T., Avidan, M.S., Kannampallil, T., Abraham, J. (2021) Uso dell'apprendimento automatico per sviluppare e valutare modelli utilizzando Dati preoperatori e intraoperatori per identificare i rischi di complicanze postoperatorie. Rete Jama aperta, 4(3).
5. Szabo, M., Bozó, A., Darvas, K., Soós, S., Özsem M., Iványi, Z.D. (2021) Il ruolo del punteggio di aerazione polmonare ultrasonografica nella previsione delle complicanze polmonari postoperatorie: uno studio osservazionale. BMC Anestesiolo, 21(1) 19.
6. van Sloun, RJG e Demi, L. (2020) Localizzazione delle linee B nell'ecografia polmonare mediante apprendimento profondo debolmente supervisionato, risultati in vivo. IEEE J Biomed Health Inform, 24(4) 957-964.
7. Brusasco, C., Santori, G., Tavazzi, G., Via, G., Robba, C.m Gargani, L., Mojoli, F., Mongodi, S., Bruzzo, E., Trò, R., Boccacci, P., Isirdi, A., Forfori, F., Corradi, F., UCARE (Ultrasound in Critical Care and Anesthesia Research Group) (2022) Analisi della trama in scala di grigi di secondo ordine delle immagini ecografiche pleuriche per differenziare la sindrome da distress respiratorio acuto ed edema polmonare cardiogeno. J Clin Monit Comput, 36(1) 131-140.
8. Miskovic, A. e Lumb, A.B. (2017). Complicanze polmonari postoperatorie. Br J Anaesth, 118(3), 317-334.