응급 개복술 후 30일 사망률을 예측하는 기계 학습 플랫폼

응급 개복술(EL)은 일반적으로 수행되는 절차이며 사망률과 이환율이 높은 것으로 알려진 고위험 수술입니다. 위험 요인을 식별하고 수술 결과를 개선하기 위한 프로토콜을 도입하기 위한 다양한 감사 및 연구에도 불구하고 EL 후 단기 사망률은 여전히 ​​높습니다. 전 세계 데이터에 따르면 단기(30일) 사망률 범위는 5.3~21.8%이며, 장기(1년) 사망률 범위는 15~47%입니다(참고 1). 고령 환자는 사망률이 가장 높은 하위 그룹으로 확인되었으며 EL을 겪고 있는 고령 환자에게 시행된 노력에는 다음과 같은 노력이 포함됩니다. 사망률 예측을 위한 위험 계산기 사용, 노인과 전문의 및 중환자 치료의 수술 전후 입력 증가, 더 높은 컨설턴트 외과의 및 마취과 의사 존재 수술실에서 향상된 치료 경로의 도입. 연령 및 전문의 입력과는 별개로 EL 후 사망에 대한 기타 위험 요인에는 노쇠, 수술 기간, 암 관련 수술, 장루 관리, 환자 선택, 수술 전 패혈증 및 생리적 매개변수, 기존 동반 질환, ASA 상태(참고 2)가 포함됩니다. ).

EL에 대해 현재 임상에서 사용 중인 사망률 예측 모델에는 사망률 및 이환율(P-POSSUM), 급성 생리학 및 만성 건강 평가 II(APACHE-II), American College of Surgeons National Surgical 품질 개선(ACS-NSQIP) 및 가장 최근에 추가된 (NELA) 위험 계산기. 2012년부터 영국에서 수행된 국가 응급 개복술 감사(NELA)는 EL을 겪고 있는 환자에 대한 증거 기반 개선의 패러다임 전환이었으며, 국가 30일 사망률(2012년 11.8% 대 8.7% 대 2012) 특정 권장 사항의 식별 및 구현 후(Ref 3).

2014-2016년 사이 대규모 NELA UK 코호트의 데이터를 사용하여 NELA 위험 계산 도구는 30일 사망률을 추정하기 위해 개발되었으며 환자 인구 통계, ASA 상태, 생리학적 매개변수, 바이탈 사인, 중증도 및 특성에 관한 세부 정보를 고려합니다. 외과 적 개입의. 영국, 호주, 싱가포르의 여러 연구에서 NELA 위험 계산기가 사망 예측 및 EL을 겪고 있는 저위험 및 고위험 환자를 구별하기 위한 위험 계층화에 대해 우월하지는 않더라도 P-POSSUM에 필적하는 것으로 나타났습니다(참조 5, 6, 7). . 그러나 완벽한 위험 점수는 없습니다. NELA 위험 모델은 과소 예측하는 것으로 나타났고 P-POSSUM은 관찰된 사망률을 과대 예측하는 것으로 나타났습니다(참조 8). NELA는 도입 이후 EL을 겪고 있는 환자의 향후 연구를 위한 증거 기반 중재 및 지침 방향을 개발하는 선구자였지만 홍콩에서의 구현은 환자 모집단의 정확성 검증 부족으로 제한되었습니다.

노쇠는 다음과 같이 정의됩니다. 증가된 취약성 및 감소된 생리적 보유량의 객관적인 측정으로 인해 여러 시스템에서 생리적 결함이 축적되며 모든 연령의 환자에서 발생할 수 있지만 노인 환자에서 가장 일반적으로 발생합니다. 노쇠는 EL의 열악한 수술 결과에 대한 잘 알려진 위험 요소이지만(Ref 9, 10) 일반적으로 사용되는 위험 계산기에는 아직 통합되지 않았습니다. 허약, 근감소증 및 골감소증에 대한 많은 위험 점수 및 대리 지표가 있습니다. 임상 노쇠 점수(CFS)는 노쇠에 대해 가장 일반적으로 사용되는 지표이며, CFS 단독으로 EL을 겪고 있는 환자에 대한 예후 정보를 제공하는 것으로 나타났지만 여전히 NELA에 비해 성능이 저조합니다. 흥미롭게도 NELA에 CFS를 추가해도 위험 모델 예측의 정확도가 증가하지 않았습니다(Ref 11).

딥 러닝과 기계 학습의 적용이 주목을 받고 있으며 다양한 위험 예측 모델과 미래 이벤트 예측을 개발하는 데 사용되었습니다(Ref 4). 마취 기록에서 방대한 데이터 세트의 축적은 데이터 과학자가 이전에는 간과했던 새로운 추세와 예측을 발견할 수 있는 보물 창고가 될 수 있습니다. 위험 계산기는 임상 의사가 임상 의사 결정을 돕는 유용한 도구이지만 이러한 위험 계산기의 정확성과 검증은 이 부근에서 수행되지 않았습니다. 기계 학습 알고리즘을 사용하고 취약성을 위험 계산기에 통합하여 높은 정확도와 일반화 가능성을 갖춘 새로운 알고리즘을 개발하여 임상에 도입할 수 있기를 바랍니다.

참조:

1. (참조 1: Ng et. al, 응급 개복술 후 1년 결과: 체계적인 검토, World J surg, 2022, https://pubmed.ncbi.nlm.nih.gov/34837122/)
2. (참조 2: (참조: Boyd-Carson et al, 응급 개복술 치료에서 고려해야 할 수술 및 수술주위 요인에 대한 검토, 2020, Anesthesia, https://pubmed.ncbi.nlm.nih.gov/31903572/)
3. (참조 3: NELA 프로젝트 팀. National Emergency Laparotomy Audit RCoA London 2021의 일곱 번째 환자 보고서)
4. (참조 4: 권 외, 기계 학습: 위험 예측을 위한 새로운 기회, Korean Circ J. 2020, https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6923232/)
5. (참조 5: Lai et al, 싱가포르에서 응급 개복술을 받는 환자에 대한 P-POSUSM 및 NELA 위험 점수 비교, World J Surg, 2021, https://pubmed.ncbi.nlm.nih.gov/33903953/)
6. (참조 6: Eliezer 등, 호주의 고위험 응급 개복술: NELA, P-POSSUM 및 ACS-NSQIP 계산기 비교, J of surg 연구, 2020, https://www.sciencedirect.com/science/article/abs/ 파이/S0022480419306584 )
7. (참조 7: Eugene 등, 응급 개복술 수술을 받는 성인 환자를 위한 새로운 위험 조정 모델의 개발 및 내부 검증: 국가 응급 개복술 감사 위험 모델, BJA, 2018, https://www.sciencedirect.com/science/ 기사/pii/S0007091218305786 )
8. (참조 8: Thahir A, Pinto-Lopes R, Madenlidou S, Daby L, Halahakoon C. 응급 일반 수술의 사망률 위험 점수: 우리는 최고의 도구를 사용하고 있습니까? Perioperative Practice의 저널. 2021;31(4):153-158. 도이:10.1177/1750458920920133, https://journals.sagepub.com/doi/abs/10.1177/1750458920920133)
9. (참조 9: Fehlmann 등, 응급 일반 수술에서 사망과 노쇠 사이의 연관성: 체계적인 검토 및 메타 분석, Euro J Trauma Emerg Surg, 2022, https://link.springer.com/article/10.1007/s00068- 020-01578-9)
10. (참조 10: Lee et.al, 2020, https://doi.org/10.1111/jgs.16334 (https://agsjournals.onlinelibrary.wiley.com/doi/epdf/10.1111/jgs.16334))
11. (참조 11: Palaniappan - 국가 비상사태에 대한 임상 노쇠 점수 CFS의 비교. Palaniappan et al, 응급 개복술을 받는 모든 환자에서 CFS와 NELA 위험 계산기 비교, Colorectal disease, 2022, https://onlinelibrary.wiley. com/doi/full/10.1111/codi.16089 )