A1Check: 결장직장 문합 누출을 예측하는 기계 학습 모델의 외부 검증 (A1Check)

연구 절차 연구의 목적은 결장직장 문합 누출을 예측하는 기계 학습 모델을 외부적으로 검증하는 것입니다. 외부에서 검증될 예측 모델은 예상되는 데이터베이스에서 개발됩니다. 이 데이터베이스에는 2016년 1월부터 2021년 4월까지 4개국(네덜란드, 이탈리아, 벨기에, 호주)의 농촌 및 대학 병원 14개 병원에서 수술을 받은 2,483명의 대장암 환자 데이터가 포함되어 있습니다. 일부 189명의 환자(7.6%)에서 결장직장 문합 누출이 발생했습니다. 모델은 총 31개의 변수를 사용하여 문합을 구축하기 직전에 수술 중 대장 직장 문합 누출의 위험을 예측했습니다. 이러한 변수에는 수술 전 사용 가능한 데이터와 환자의 수술 중 상태에 관한 변수가 모두 포함됩니다. 모델은 10배 교차 검증을 사용하여 내부적으로 검증되었으며 이후에 데이터베이스의 보이지 않는 데이터의 20%에 대해 테스트되었습니다. 테스트 세트에서 가장 성능이 좋은 기계 학습 모델의 AUROC(Area Under the Curve - Receiver Operating Characteristics)는 0.84이고 민감도는 0.86, 특이도는 0.78, 양성 예측값은 0.24, 음성 예측값은 0.99입니다.

이 전향적 시뮬레이션 연구 중에는 참여 환자에게 직접적인 이점이나 위험이 없습니다. 이 전향적 시뮬레이션 연구는 비간섭적이며 예측 모델은 원래의 일일 진료를 변경하지 않으며 이 단계에서 진단 장치로 사용하기 위한 것이 아닙니다. 수술 중, 문합 구성 직전에 예측 모델은 환자, 종양 및 수술 중 변수(데이터 사전 단락에 나열됨)를 사용하여 문합 누출 가능성을 예측합니다. SAS VIYA는 기계 학습 모델의 배포에 사용됩니다. 전향적 시뮬레이션 연구 중에 이러한 예측의 점수는 연구의 이 단계에서 현재 일상적인 관행에 영향을 미치지 않도록 하기 위해 참여 병원이나 수술 외과의에게 알려지지 않기 때문에 원칙 및 연구 조사자만 사용할 수 있습니다. 수술 후 30일 후 문합 누출 발생에 관한 환자의 데이터를 수집합니다. 그런 다음 AUROC, 민감도, 특이도 및 정확도는 진양성, 진음성, 위양성 또는 위음성으로 평가된 환자 수를 기준으로 계산됩니다. 최소 100개의 이벤트와 100개의 비이벤트 후 외부 검증이 완료되고 최종 AUROC, 민감도 및 특이도 점수가 표시됩니다.

품질 보증 계획, 데이터 확인, 원본 데이터 검증 데이터는 기밀 및 익명으로 처리됩니다. 데이터는 주 조사관과 연구 조사관을 위해 의사 익명으로 처리됩니다. 의사 익명 데이터는 Castor 데이터베이스에 입력됩니다. 데이터 사전은 데이터를 설명하는 메타데이터와 함께 원본 데이터 세트에 연결됩니다. 모든 참여 병원은 데이터 공유 계약을 체결하여 포함된 환자의 데이터를 책임 연구원 및 연구 조사원과 안전하게 공유합니다. TRIPOD(개별 예후 또는 진단을 위한 다변량 예측 모델) 가이드라인의 투명 보고와 함께 데이터 관리 전문가의 도움을 받아 우리 연구소의 정책에 따라 데이터 관리 계획을 수립합니다. 수집 및 생성된 데이터의 특징은 다음과 같습니다. 전자 건강 기록에서 추출한 임상 데이터. 여기에는 연속형, 명목형 및 이분형 변수가 포함됩니다. 데이터는 재사용되거나 기존 데이터와 결합되지 않습니다. 개발된 모델을 사용하여 결과를 예측하려면 환자의 사전 동의가 필요합니다. 개인 정보 보호 정책 및 법률이 이 프로젝트에 적용됩니다. 또한 프로젝트는 일반 데이터 보호 규정에 정의된 모든 데이터 보호 원칙을 준수합니다. 익명화된 데이터 세트는 Castor 데이터베이스를 통해 액세스할 수 있습니다. 장기 데이터는 연구 데이터 관리(RDM) 부서의 도움을 받아 암스테르담 UMC 저장소에 저장됩니다. 데이터는 프로젝트 종료 후 5년간 보관됩니다.

데이터 사전

포함된 환자로부터 다음 변수를 수집합니다.

나. 환자 및 종양 특성 연령; 섹스; 체질량 지수; 미국마취학회(ASA) 분류; 중독(흡연 및/또는 음주); 당뇨병 병력; 스테로이드 사용(비강 아님); 헤모글로빈; 양성 또는 악성 질환. 악성 질환이 있는 경우: TNM-병기, 항문 가장자리로부터 종양 거리, 선행 치료.

ii. 수술 전후 특성 외과적 시술, 외과적 접근; 변환; 수술 중 사건의 발생(저산소증 사건, 고탄산혈증, 서맥, 저혈압, 색전증, 재활성화, 계획보다 더 광범위한 절제, 장막 병변, 방광 및 요관 손상, 수술 중 출혈, 비장 절제술) iii. 문합 생성 직전의 특징 환자 체온; 항생제 투여 시간; 승압제 투여; 출혈; 산소포화도; 평균 동맥압; 수액 투여; 소변 생산; 대변 ​​오염의 존재; 국소 관류의 주관적 평가; 경막외 진통; 문 움직임; 절개부터 문합 생성까지의 시간, 기공 생성 의도.

iv. 수술 후 특성 30일 이내 대장 문합부 누출 및 입원 기간.

표준 운영 절차 포함 대상 환자는 첫 번째 다학제 팀 회의에서 발견됩니다. 자격이 있는 경우, 외과의는 수술을 위한 수술 전 상담에서 환자에게 이 연구를 알리고 논의할 것입니다. 환자가 참여에 동의하는 경우 서면 동의서가 필요합니다. 환자는 언제든지 이 동의를 철회할 수 있습니다.

샘플 크기 계산 참여 병원에서 매년 약 100~400건의 결장 직장 절제술이 수행되며 문합 누출의 대략적인 발생률은 5~15%입니다. 여러 연구에서 최소 100건의 사건과 100건의 비사건이 외부 검증을 위한 적절한 표본 크기로 나타났습니다. 연간 총 1,200명의 환자가 포함될 것으로 예상되며 100건의 이벤트를 포함하여 약 10%의 누출 비율이 약 1~2년이 걸립니다.

누락된 데이터 처리 기계 학습 모델은 필요한 데이터의 80% 이상을 사용할 수 있는 환자에서 예측을 수행합니다. 누락된 데이터는 10회 반복의 예측 평균 일치를 사용하여 귀속됩니다.

통계 분석 계획 최소 100건의 사건(문합 누출)과 100건의 비사건(문합 누출 없음)에 대해 외부 검증을 수행합니다. 구현 모델은 AUROC 관점에서 예측 성능이 가장 좋은 기계 학습 모델을 사용합니다. 결장직장 문합 누설률은 다변량 로지스틱 회귀 모델에서 비교됩니다. 모든 분석은 임상 역학자의 감독하에 수행됩니다.