緊急開腹手術後の 30 日間の死亡率を予測するための機械学習プラットフォーム

緊急開腹術 (EL) は、一般的に行われる手技であり、死亡率と罹患率が高いことが知られているリスクの高い手術です。 リスク要因を特定し、手術結果の改善を目的としたプロトコルを導入するためのさまざまな監査と研究にもかかわらず、EL 後の短期死亡率は依然として高いままです。 世界的なデータによると、短期 (30 日) の死亡率は 5.3 ～ 21.8% であることが示されています。 長期 (1 年) の死亡率は 15 ～ 47% です (参照 1)。 死亡率が最も高いサブグループとして高齢の患者が特定されており、死亡率予測のためのリスク計算機の使用、老年科医および救急医療からの周術期のインプットの増加、コンサルタント外科医および麻酔科医の存在感の向上など、EL を受けている高齢の患者に実施された取り組みが含まれています。手術室で、強化されたケア経路の導入。 年齢や専門家の意見とは別に、EL 後の死亡率のその他の危険因子には、虚弱、手術期間、がん関連手術、ストーマ ケア、患者選択、術前敗血症および生理学的パラメータ、既存の併存疾患、ASA ステータス (参照 2 ）。

現在 EL の臨床で使用されている死亡率予測モデルには、死亡率と罹患率の列挙のためのポーツマス-生理学的および手術的重症度スコア (P-POSSUM)、Acute Physiology and Chronic Health Evaluation II (APACHE-II)、American College of Surgeons National Surgical が含まれます。品質向上 (ACS-NSQIP)、および (NELA) リスク計算機の最新の追加。 2012 年から英国で実施されている National Emergency Laparotomy Audit (NELA) は、EL を受ける患者のエビデンスに基づく改善のパラダイム シフトであり、全国的な 30 日死亡率の低下を示しています (11.8% 対 2012 対 8.7% 対 2012 年の 8.7%)。 2012) 特定の推奨事項の特定と実施後 (参照 3)。

2014 年から 2016 年の NELA 英国の大規模なコホートからのデータを使用して、30 日死亡率を推定するために NELA リスク計算ツールが開発され、患者の人口統計、ASA の状態、生理学的パラメーター、バイタル サイン、および重症度と性質に関する詳細が考慮されます。外科的介入の。 英国、オーストラリア、シンガポールでの複数の研究では、EL を受けている低リスク患者と高リスク患者を区別するための死亡率予測とリスク層別化において、NELA リスク計算機が P-POSSUM に勝るとは言わないまでも同等であることが示されています (参考文献 5、6、7)。 . ただし、完璧なリスク スコアリングはありません。 NELA リスク モデルは過小予測し、P-POSSUM は観察された死亡率を過大予測することが示されました (参照 8)。 導入以来、NELA はエビデンスに基づいた介入を開発し、EL を受けている患者の将来の研究の方向性を導くパイオニアでしたが、香港でのその実施は、患者集団の精度の検証が不足しているため制限されていました。

フレイルは次のように定義されます: 脆弱性の増加と生理学的予備力の減少の客観的尺度であり、その結果、複数のシステムで生理学的障害が蓄積され、すべての年齢の患者に発生する可能性がありますが、最も一般的には高齢の患者に発生します。 脆弱性は、EL における手術成績不良の危険因子としてよく知られていますが (参考文献 9、10)、一般的に使用されるリスク計算にはまだ組み込まれていません。 フレイル、サルコペニア、オステオペニアには、多くのリスク スコアリングと代理指標があります。 臨床虚弱スコア (CFS) は、虚弱の最も一般的に使用される指標であり、CFS だけでも、EL を受けている患者の予後情報を提供することが示されていますが、NELA と比較すると依然として不十分です。 興味深いことに、NELA に CFS を追加しても、リスク モデル予測の精度は向上しませんでした (参考文献 11)。

ディープ ラーニングと機械学習のアプリケーションは勢いを増しており、さまざまなリスク予測モデルと将来のイベント予測の開発に使用されています (参考文献 4)。 麻酔記録からの膨大なデータセットの蓄積は、データ サイエンティストにとって、以前は見過ごされていた新しい傾向や予測を発見するための宝の山であることが証明されています。 リスク計算機は、臨床医が臨床上の意思決定を支援するための便利なツールですが、これらのリスク計算機の精度と検証は、この付近では行われていません。 機械学習アルゴリズムを使用し、フレイルをリスク計算に組み込むことで、精度と汎用性が高い新しいアルゴリズムを開発し、臨床使用に導入したいと考えています。

参考文献:

1. (参照 1: Ng et. アル、緊急開腹術後の 1 年間の結果: 系統的レビュー、World J surg、2022 年、https://pubmed.ncbi.nlm.nih.gov/34837122/)
2. (参照 2: (参照: Boyd-Carson ら、緊急開腹ケアで考慮すべき外科的および周術期因子のレビュー、2020 年、麻酔、https://pubmed.ncbi.nlm.nih.gov/31903572/)
3. (参照 3: NELA プロジェクト チーム。 国家緊急開腹手術監査 RCoA ロンドン 2021 の第 7 回患者レポート)
4. (参照 4: Kwon et al、機械学習: リスク予測の新しい機会、韓国 Circ J. 2020、https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6923232/)
5. (参照 5: Lai ら、シンガポールで緊急開腹術を受ける患者の P-POSUSM と NELA リスクスコアの比較、World J Surg、2021 年、https://pubmed.ncbi.nlm.nih.gov/33903953/)
6. (参照 6: Eliezer et al、オーストラリアでの高リスク緊急開腹術: NELA、P-POSSUM、および ACS-NSQIP 計算機の比較、J of surg research、2020 年、https://www.sciencedirect.com/science/article/abs/ピー/S0022480419306584 )
7. (参照 7: Eugene et al、緊急開腹手術を受ける成人患者のための新しいリスク調整モデルの開発と内部検証: 国家緊急開腹手術監査リスク モデル、BJA、2018、https://www.sciencedirect.com/science/記事/pii/S0007091218305786 )
8. (参照 8: Thahir A、Pinto-Lopes R、Madenlidou S、Daby L、Halahakoon C. 緊急一般手術における死亡リスクのスコアリング: 最適なツールを使用していますか? 周術期診療ジャーナル。 2021;31(4):153-158. ドイ:10.1177/1750458920920133, https://journals.sagepub.com/doi/abs/10.1177/1750458920920133)
9. (参照 9: Fehlmann et al、緊急一般手術における死亡率とフレイルの関連: 系統的レビューとメタ分析、Euro J Trauma Emerg Surg、2022 年、https://link.springer.com/article/10.1007/s00068- 020-01578-9)
10. (参照 10: リーら、2020 年、https://doi.org/10.1111/jgs.16334 (https://agsjournals.onlinelibrary.wiley.com/doi/epdf/10.1111/jgs.16334))
11. (参照 11: Palaniappan - 臨床脆弱性スコア CFS と National Emergency の比較。Palaniappan et al、緊急開腹術を受けるすべての患者における CFS と NELA リスク計算機の比較、結腸直腸疾患、2022 年、https://onlinelibrary.wiley. com/doi/full/10.1111/codi.16089 )