機械学習支援アプローチの確立による術後肺合併症の予防 (PEPPERMINT)

術後肺合併症 (POPC) の発生率は、外科的処置に応じて 9 ～ 40% と報告されています。 術前のさまざまな危険因子が知られていますが、通常は修正できません。 古い出版物の主要な問題は、結果パラメータ「肺合併症」の明確な定義が長い間存在しなかったことでした。 標準化された定義が周術期医療 (StEP) コラボレーションの標準化エンドポイントによって開発されたのは 2018 年のことでした [1]。 臨床的関連性が高いため (POPC は術後の罹患率と死亡率の主な原因です)、POPC の術前予測のための臨床スコアリング システムが開発されましたが、その予測の質はまだ改善する必要があります [2]。 術後の肺合併症を予測するための現在最も評価されているスコア (ARISCAT: カタロニアの外科患者における呼吸リスクの評価) は、十分な感度を持っていますが、特異性に欠けています [3]。 そのため、術前のルーチンデータからリスクを判断するための機械学習手法もテストされています [4]。

超音波検査は、ベッドサイドで実施できる非侵襲的な検査方法としてますます重要になっています。 肺合併症を予測するために、さまざまな超音波スコアとモデルがすでに開発されています [5]。 画像処理方法と機械学習、特に深層学習も、超音波診断でますます使用されています [6,7]。 機械学習アルゴリズムを開発するための日常的な臨床データと画像データの組み合わせは、まだテストされていません。 ただし、超音波画像に加えて術前および術中の臨床情報を使用する拡張アルゴリズムは、それぞれの個々の方法よりも優れた予測精度を約束します。 さらに、機械学習アルゴリズムベースの予測モデルの将来の臨床評価は現在のところ不足していますが、「受信者動作特性の下の領域」(AUROC)、それぞれのテストおよび検証データセットの精度と精度に優れた値を示しています。このようなモデルの予測品質の一般的な尺度を検討しました [4]。

POPC の予防策は知られている [8] が、特に人的資源に対する需要が増加しているため、臨床ルーチンに一貫して適用されていない可能性があります。 したがって、私たちの目的は、機械学習アルゴリズムに基づいて、POPC のリスクがある患者を特定することです。

すべての患者は、機械学習モデルを開発するために同じ研究プロトコルを受けています。 周術期の臨床ルーチンデータは、標準に従って評価されます。 術後、標準化された肺超音波検査が回復室で行われます。 その後、患者は術後 1、3、および 7 日目に病棟を訪れ、臨床検査を受けて、StEP コラボレーションによって作成された基準に従って POPC を検出します。

私たちの症例数の計算によると、全身麻酔下で待機的外科的処置を受けている512人の成人患者が含まれます。 周術期のルーチンデータは評価され、院内データベースに保存されます。また、術後の臨床検査からのデータも同様です。 肺の超音波検査からの画像データは、さらなる処理のために PACS にアーカイブされます。 収集されたデータに基づいて、ニューラル ネットワークに基づく機械学習アルゴリズムが訓練され、POPC を予測します。 モデルは、統計指向のプログラミング言語 R と、プログラミング言語 Python に基づくディープ ラーニング ソフトウェア ライブラリであるフレームワーク TensorFlow を使用して、匿名化されたデータで作成されます。 作成された予測モデルの予測品質は、受信者オペレーター特性 (AUROC) の下の領域と精度再現率曲線 (AUPRC) の下の領域を使用して評価され、ARISCAT スコアの値と比較されます。 POPCのリスク。

臨床ルーチンと画像データを使用する拡張機械学習アルゴリズムによる正確なリスク評価は、患者の転帰を改善する大きな可能性を秘めており、医療費の削減にも役立つ可能性があります。

1. Abbott, T.E.F., Fowler, A.J., Pelosi, P., Gama de Abreu, M., Møller, A.M., Canet, J., Craegh-Brown, B., Mythen, M., Gin, T., Lalu, M.M., Futier, E., Grocott, M.P., Schultz, M.J., Pearse, R.M., StEP-COMPAC Group (2018) 周術期医療における標準化されたエンドポイントの系統的レビューとコンセンサス定義: 肺合併症。 Br J アナエス、120(5) 1066-1079。
2. Ball、L.およびPelosi、P.（2016）。 術後肺合併症の予測スコア: 臨床実習に移行する時が来ました。 Minerva Anestesiol、82(3) 265-267。
3. Nithiuthai, J., Siriussawakul, A., Junkai, R., Horugsa, N., Jarungjitaree, S., Triyasunant, N. (2021). ARISCATスコアは、上腹部手術後の高齢患者における術後肺合併症の発生率を予測するのに役立ちますか? 単一の大学病院での観察研究。 Perioper Med (ロンドン)、10(1) 43。
4. Xue, B., Li, D., Lu, C., King, C.R., Wildes, T., Avidan, M.S., Kannampallil, T., Abraham, J. (2021) 機械学習を使用したモデルの開発と評価術後合併症のリスクを特定するための術前および術中データ。 ジャマ・ネットワーク・オープン、4(3)。
5. Szabo, M.、Bozó, A.、Darvas, K.、Soós, S.、Özsem M.、Iványi, Z.D. （2021）術後の肺合併症の予測における超音波肺通気スコアの役割：観察研究。 BMC 麻酔、21(1) 19。
6. ヴァン・スローン、R.J.G.および Demi, L. (2020) 肺超音波検査における B ラインのローカライズ、弱い教師あり深層学習、インビボ結果。 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 (クリティカルケアおよび麻酔研究グループの超音波) (2022) 急性呼吸窮迫症候群を区別するための胸膜超音波画像の二次グレースケールテクスチャ分析および心原性肺水腫。 J Clin Monit Comput、36(1) 131-140。
8. Miskovic、A.およびLumb、A.B. （2017）。 術後肺合併症。 Br J Anaesth, 118(3), 317-334.