기계 학습 지원 접근 방식을 확립하여 수술 후 폐 합병증 예방 (PEPPERMINT)

수술 후 폐합병증(POPC)의 발생률은 수술 절차에 따라 9-40%로 보고됩니다. 다양한 수술 전 위험 요소가 알려져 있지만 일반적으로 수정할 수 없습니다. 오래된 간행물의 주요 문제는 오랫동안 결과 매개변수 "폐합병증"에 대한 명확한 정의가 없었다는 것입니다. 2018년이 되어서야 StEP(Standardized Endpoints for Perioperative Medicine) 협력에 의해 표준화된 정의가 개발되었습니다[1]. POPC는 수술 후 이환율과 사망률의 주요 원인이라는 높은 임상적 관련성으로 인해 POPC의 수술 전 예측을 위한 임상 점수 시스템이 개발되었지만 예측 품질은 여전히 ​​개선되어야 합니다[2]. 현재 수술 후 폐합병증 예측에 대해 가장 잘 평가된 점수(ARISCAT: Assess Respiratory Risk in Catalonia)는 민감도는 충분하지만 특이성이 부족합니다[3]. 따라서 수술 전 일상적인 데이터로부터 위험도를 판단하기 위한 기계 학습 방법도 테스트되고 있습니다[4].

침대 옆에서 수행할 수 있는 비침습적 검사 방법으로 초음파 검사가 점점 더 중요해지고 있습니다. 폐 합병증을 예측하기 위해 다양한 초음파 점수와 모델이 이미 개발되었습니다[5]. 이미지 처리 방법과 기계 학습, 특히 딥 러닝은 초음파 진단에 점점 더 많이 사용되고 있습니다[6,7]. 기계 학습 알고리즘을 개발하기 위한 일상적인 임상 데이터와 이미징 데이터의 조합은 아직 테스트되지 않았습니다. 그러나 초음파 영상과 함께 수술 전 및 수술 중 임상 정보를 사용하는 증강 알고리즘은 각각의 개별 방법보다 더 나은 예측 정확도를 약속합니다. 또한 기계 학습 알고리즘 기반 예측 모델의 전향적 임상 평가는 "AUROC(Area Under the Receiver Operating Characteristic)", 각 테스트 및 검증 데이터 세트의 정확도 및 정밀도에 대해 좋은 값을 보여주지만 현재까지는 부족합니다. 이러한 모델의 예측 품질에 대한 일반적인 척도를 고려했습니다[4].

POPC 예방 조치는 알려져 있지만[8], 특히 인적 자원에 대한 수요 증가로 인해 임상 일상에 일관되게 적용되지 않을 수 있습니다. 따라서 우리의 목표는 기계 학습 알고리즘을 기반으로 POPC의 위험이 있는 환자를 식별하는 것입니다.

모든 환자는 기계 학습 모델을 개발하기 위해 동일한 연구 프로토콜을 거치고 있습니다. 수술 전후 임상 일상 데이터는 표준에 따라 평가될 것입니다. 수술 후 회복실에서 표준화된 폐초음파를 시행하게 됩니다. 수술 후 1일, 3일, 7일에 병동을 방문하여 StEP-협업에서 정교화한 기준에 따라 POPC를 감지하기 위한 임상 검사를 받게 됩니다.

사례 수 계산에 따르면 전신 마취 하에서 선택적 수술 절차를 받는 512명의 성인 환자를 포함할 것입니다. 수술 전후의 일상적인 데이터는 수술 후 임상 검사 데이터뿐만 아니라 병원 내부 데이터베이스에 평가 및 저장됩니다. 폐 초음파 검사의 이미지 데이터는 추가 처리를 위해 PACS에 보관됩니다. 수집된 데이터를 기반으로 신경망 기반 기계 학습 알고리즘을 학습하여 POPC를 예측합니다. 모델은 통계 지향 프로그래밍 언어 R과 프로그래밍 언어 Python 기반의 딥러닝 소프트웨어 라이브러리인 프레임워크 TensorFlow를 사용하여 익명화된 데이터로 생성됩니다. 생성된 예측 모델의 예측 품질은 AUROC(Area Under the Receiver Operator Characteristics)와 AUPRC(Area Under the Precision Recall Curve)를 사용하여 평가하고, ARISCAT 점수 값과 비교하여 예측하는 공통 점수이다. POPC의 위험.

임상 루틴과 이미징 데이터를 사용하는 증강 머신 러닝 알고리즘을 통한 정확한 위험 평가는 환자 결과를 개선할 수 있는 큰 잠재력이 있으며 의료 비용을 줄이는 데 도움이 될 수 있습니다.

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) 수술 전후 의학의 표준화된 종점에 대한 체계적 검토 및 합의 정의: 폐 합병증. Br J Anaesth, 120(5) 1066-1079.
2. 볼, L. 및 펠로시, P. (2016). 수술 후 폐 합병증에 대한 예측 점수: 임상 실습으로 이동할 시간. 미네르바 아네스테시올, 82(3) 265-267.
3. Nithiuthai, J., Siriussawakul, A., Junkai, R., Horugsa, N., Jarungjitaree, S., Triyasunant, N. (2021). ARISCAT 점수는 상복부 수술 후 노인 환자의 수술 후 폐합병증 발생률을 예측하는 데 도움이 됩니까? 단일 대학병원에서 관찰 연구. Perioper Med(론드), 10(1) 43.
4. Xue, B., Li, D., Lu, C., King, C.R., Wildes, T., Avidan, M.S., Kannampallil, T., Abraham, J. (2021) 기계 학습을 사용하여 모델 개발 및 평가 수술 후 합병증의 위험을 식별하기 위한 수술 전 및 수술 중 데이터. 자마 네트워크 오픈, 4(3).
5. Szabo, M., Bozó, A., Darvas, K., Soós, S., Özsem M., Iványi, Z.D. (2021) 수술 후 폐 합병증 예측에서 초음파 폐포 환기 점수의 역할: 관찰 연구. BMC 마취제, 21(1) 19.
6. van Sloun, R.J.G. 및 Demi, L. (2020) Weakly Supervised Deep Learning, In-Vivo 결과에 의한 폐 초음파 검사에서 B-라인 국소화. IEEE J Biomed 건강 정보, 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) 급성 호흡 곤란 증후군을 구별하기 위한 흉막 초음파 이미지의 2차 그레이 스케일 질감 분석 및 심인성 폐부종. J Clin Monit Comput, 36(1) 131-140.
8. Miskovic, A. 및 Lumb, A.B. (2017). 수술 후 폐 합병증. Br J Anaesth, 118(3), 317-334.