Machine Learning-modellering van intraoperatieve hemodynamische voorspellers van postoperatieve uitkomsten

Samenvatting leggen

Inleiding: De Wereldgezondheidsorganisatie schat dat er wereldwijd jaarlijks 270-360 miljoen operaties worden uitgevoerd. Overlijden en complicaties na een operatie vormen een grote uitdaging. In Canada sterven van elke 1000 grote operaties 16 patiënten in het ziekenhuis na een operatie. In de Verenigde Staten hebben voor elke 1000 operaties 67 patiënten onverwacht levensondersteuning nodig op de Intensive Care. Met de vergrijzing van de bevolking en beperkte middelen worden strategieën om de gezondheid na een operatie te verbeteren steeds belangrijker.

Vitale functies, zoals bloeddruk en hartslag, laten zien hoe het met het lichaam gaat. Vitale functies veranderen tijdens de operatie vanwege patiënt-, chirurgische en anesthetische factoren. Anesthesiologen kunnen vitale functies veranderen met medicijnen. Medische professionals beginnen echter pas te begrijpen welke, en welke reeksen, vitale functies onder anesthesie verband houden met een betere gezondheid. Machine learning is een hulpmiddel dat nieuwe manieren kan bieden om gegevens te begrijpen. Met een beter begrip kunnen medische professionals werken aan het verbeteren van de resultaten na een operatie.

Doelstelling: Deze studie analyseert vitale functies tijdens operaties op hun verband met overlijden, complicaties (hart, longen, nieren, hersenen, infectie), opname op de intensive care, duur van het ziekenhuisverblijf en heropname in het ziekenhuis. Deze studie zal bepalen welke en welke niveaus van vitale functies schadelijk kunnen zijn. De onderzoekers voorspellen dat bloeddruk, hartslag, zuurstofniveau, koolstofdioxidegehalte en de noodzaak van medicijnen om de bloeddruk te veranderen op elkaar inwerken om te worden geassocieerd met overlijden na een operatie.

Methoden: Na verkregen goedkeuring van de Research Ethics Board analyseren de onderzoekers gegevens van alle patiënten die minimaal 45 jaar oud zijn en een operatie hebben ondergaan (met uitzondering van een hartoperatie) met overnachting in het Queen Elizabeth II gezondheidscentrum (Halifax, Canada) van 1 januari 2013 tot 1 december 2017. Er komen ongeveer 35.000 patiënten in aanmerking. De onderzoekers zullen machine learning gebruiken om de gegevens te modelleren en te testen hoe goed ons model de resultaten na een operatie verklaart.

Betekenis: Het gebruik van machine learning in een grote, brede dataset van chirurgische populaties kan nieuwe relaties en strategieën ontdekken die de huidige praktijk kunnen informeren en ideeën genereren voor toekomstig onderzoek. Een beter begrip van de impact van vitale functies tijdens operaties kan methoden onthullen om de resultaten en de toewijzing van middelen na de operatie te verbeteren. De resultaten kunnen suggesties doen voor manieren om patiënten met een hoog risico te identificeren die na de operatie nauwkeuriger moeten worden gecontroleerd. Als het model goed presteert, kan het andere onderzoekers motiveren om machine learning te gebruiken bij onderzoek naar gezondheidsgegevens.

Zie het volledige protocol voor details.

Update mei 2020 (vóór aggregatie en analyse van datasets)

1. Secundaire uitkomst toegevoegd (dagen in leven en uit het ziekenhuis 30 dagen postoperatief)
2. Verbeterd algoritme voor het verwerken van hemodynamische variabele artefacten
3. Deelstudie toegevoegd: machine learning voor algoritme voor het verwijderen van invasieve bloeddrukartefacten