Een retrospectieve analyse van het voorspellende potentieel van preoperatief

1.0 Achtergrond Momenteel ontwikkelt ongeveer dertig procent van de patiënten met een coronaire arterie-bypasstransplantaat (CABG) boezemfibrilleren (AF) in de vijf dagen na de operatie, waardoor het risico op een beroerte toeneemt, het verblijf in het ziekenhuis met drie tot vier dagen wordt verlengd en de totale kosten van de operatie toenemen. werkwijze [1, 2]. Volgens sommige bronnen wordt alleen al in de VS jaarlijks meer dan 1 miljard dollar aan dit probleem uitgegeven [2]. De huidige farmacologische en niet-farmacologische middelen voor AF-preventie zijn suboptimaal, en hun bijwerkingen, kosten en ongemak beperken hun wijdverbreide gebruik bij alle patiënten [3].

Hoewel er veel methoden zijn gepresenteerd die een hoge voorspellende waarde hebben in termen van gevoeligheid en specificiteit voor postoperatieve AF, is geen enkele betrouwbaar genoeg voor gebruik in een klinische setting. Dit kan te wijten zijn aan het ontbreken van een gestandaardiseerde methode voor het meten van bepaalde morfologische P-golfkenmerken in ECG-analyses [4]. Bovendien heeft de medische gemeenschap veel te lang vertrouwd op beperkte variabele combinatiemethoden, vooral terwijl er geavanceerde methoden voor datamining en besluitvorming zijn die kunnen worden gebruikt. Een Bayesiaans netwerk (BN) is een uitstekend hulpmiddel om beslissingen te nemen op basis van verzamelde informatie en kan zelfs goed omgaan met ontbrekende datapunten [5]. Door meer soorten gegevens en deskundige kennis te combineren in een BN met een Bayesiaanse statistische benadering, is een betere nauwkeurigheid het waarschijnlijke resultaat.

2.0 Doelstellingen

Het hoofddoel van dit onderzoek is de ontwikkeling van een Bayesiaans netwerk (BN)-classificator die het risico van het optreden van atriumfibrilleren bij patiënten met een coronaire bypasstransplantaat kan modelleren/voorspellen/toewijzen door de integratie van verschillende soorten patiëntgegevens. Expertkennis afkomstig van artsen in het veld zal worden gecombineerd met behulp van Bayesiaanse statistieken met patiëntgegevens en elektrocardiogram (ECG) -analyse, een verbetering van de momenteel gebruikte Frequentistische methoden. We zijn van plan winst of verlies te onderzoeken vanwege de opname van de volgende gegevenstypen:

• Verzamelde gegevens- Risicofactoren en andere medische indicatoren vastgelegd in het ziekenhuis
• ECG-functies- Tijd-, frequentie-, wavelet- en niet-lineaire domeinkenmerken afgeleid van het ECG-signaal met AF-voorspellingspotentieel
• Deskundige kennis - Cardioloog gemodificeerde waarschijnlijkheidsverdeling en frequentie-overtuigingen van invoergegevens op basis van ervaringen uit het verleden. Deze studie zal gegevens analyseren van patiënten die een hartoperatie hebben ondergaan in het Emory University Hospital, het Crawford Long Hospital of het Atlanta Veterans Affairs Medical Center. De verzamelde gegevens omvatten demografische gegevens, preoperatieve, operatieve en postoperatieve gegevens, allemaal afkomstig uit het dossier van de patiënt. ECG- en beschikbare telemetriegegevens zullen ook worden verzameld en geanalyseerd op morfologische kenmerken, die AF-predispositie-aanwijzingen kunnen opleveren.

Na de ontwikkeling van het AF-voorspellingsalgoritme, zal dit worden getest op een subset van de datapunten die uit de database worden gehaald. Deze studie is een haalbaarheidsstudie voor verder gefinancierd onderzoek.

3.0 Patiëntenselectie 3.1 Geschiktheidscriteria:

1. Alle patiënten die een hartoperatie hebben ondergaan in het Emory University Hospital, het Crawford Long Hospital of het VA Medical Center.

3.2 Uitsluitingscriteria:

1. Opkomende operaties.
2. De aanwezigheid van AF of Aflut op het moment van de operatie.
3. New York Heart Association (NYHA) klasse IV hartfalen op het moment van de operatie.
4. Hyperthyreoïdie
5. Geïmplanteerde apparaten ontworpen voor actief beheer van atriale aritmieën door stimulatie of defibrillatie
6. Bekend illegaal drugsgebruik
7. Bekend ethanolmisbruik
8. Elektrofysiologische ablatie voor atriale tachycardie binnen 6 maanden na de operatie.

4.0 Registratie en randomisatie: geen

5.0 Therapie: geen

6.0 Pathologie: geen

7.0 Patiëntbeoordeling: geen

8.0 Gegevensverzameling: gegevens worden verzameld uit de beoordeling van de ziekenhuisdossiers van de patiënt, uit telemetrie-opnamen en ECG's. De aan- of afwezigheid van boezemfibrilleren wordt gediagnosticeerd op basis van een elektrocardiografische opname en bevestigd door een cardioloog. De verzamelde gegevens omvatten: leeftijd, ras, geslacht, body mass index, bloeddruk, NYHA-classificatie, Killip-classificatie en de geschiedenis van eerder myocardinfarct, hypertensie, diabetes, roken, alcoholgebruik, gebruik van antiaritmica, aanwezigheid en type pacemaker indien van toepassing, geschiedenis van AF of Aflut, eerdere cardiovasculaire gebeurtenissen, type operatie en duur van de operatie. Patiënten die deelnemen aan deze studie krijgen unieke studienummers en alle identificerende informatie wordt verwijderd nadat de correlatie tussen telemetrie en kaartgegevens is vastgesteld. Er zijn geen follow-upgegevens van patiënten vereist.

9.0 Statistische overwegingen: Deze onderzoeksopzet is een retrospectief overzicht van een cohort van patiënten die hartchirurgie ondergaan om variabele combinaties te bepalen die boezemfibrilleren na hartchirurgie voorspellen. Binnen het cohort zullen die patiënten met AF vergeleken worden met degenen zonder deze atriale aritmieën in de postoperatieve periode. Waarschijnlijkheidstabellen zullen worden ontwikkeld met behulp van beide groepen, waardoor een voorspellende Bayesiaanse netwerkstructuur wordt bevolkt. Veel verschillende structuren zullen worden geëvalueerd met behulp van een techniek van kunstmatige intelligentie (genetische algoritmen), die de structuur naar zijn optimale vorm zal evolueren. K-voudige kruisvalidatie zal vervolgens worden gebruikt om het voorspellende vermogen van de Bayesiaanse netwerkstructuur te valideren. Gevoeligheden, specificiteiten en positief voorspellende waarden zullen worden gerapporteerd over de resultaten van deze validatie.