Voorspellend time-to-event-model voor ernstige medische complicaties na colectomie

Achtergrond: Geplande (electieve of tijdgevoelige) colectomie wordt uitgevoerd voor indicaties zoals kanker, inflammatoire darmziekte (IBD) en diverticulitis. Na colectomie lopen patiënten het risico op een verscheidenheid aan belangrijke medische complicaties, waaronder longontsteking, myocardinfarct (MI), cerebrale vasculaire gebeurtenis (CVA), veneuze trombo-embolie (VTE), acuut nierfalen (ARF) en sepsis. Verschillende complicaties treden echter op verschillende tijdstippen na de operatie op. Nauwkeurige risicovoorspelling, niet alleen of er een complicatie bij een patiënt kan optreden, maar ook wanneer, is cruciaal voor patiënteneducatie, monitoring en dispositieplanning. Hoewel verschillende onderzoeken de incidentie en binaire risicovoorspelling voor ernstige complicaties na operaties hebben onderzocht, is er in recente populatiecohortgegevens schaarse literatuur over tijd-tot-complicatievoorspellingsmodellering.

Doelstellingen

1. Cox-modellen voor proportionele risico's ontwikkelen en intern valideren om de tijd tot complicatie te voorspellen voor elke individuele belangrijke medische complicatie vastgelegd in de dataset van het American College of Surgeons National Surgical Quality Improvement Program (NSQIP) (pneumonie, myocardinfarct (MI), cerebrale vasculaire gebeurtenis (CVA), veneuze trombo-embolie (VTE), acuut nierfalen (ARF) en sepsis) of nadelige gevolgen (mortaliteit, heropname), die binnen 30 dagen na electieve colectomie begonnen.
2. Het ontwikkelen en intern valideren van machine learning-modellen om de tijd tot complicatie te voorspellen voor grote medische complicaties en nadelige uitkomsten (hetzelfde als in doelstelling 1) binnen 30 dagen na electieve colectomie in NSQIP. Het beste machine learning-model voor elke complicatie zal worden vergeleken met het Cox-model voor proportionele gevaren in termen van discriminatie en kalibratie.

Methoden: Onderzoekers zullen een time-to-event overlevingsanalyse uitvoeren in een retrospectief cohort met behulp van NSQIP®, een prospectief verzamelde multicenter dataset met meer dan 150 klinische variabelen binnen 30 dagen na de operatie. Deze dataset bevat informatie over de vraag of bij de patiënt ernstige complicaties zijn vastgesteld (binnen of buiten het ziekenhuis), evenals het aantal postoperatieve dagen tot de diagnose van complicaties, zoals gedefinieerd door gestandaardiseerde criteria in de NSQIP-gebruikshandleiding. De algemene dataset wordt gekoppeld aan de NSQIP® Procedure Targeted Colectomy-dataset, die aanvullende colectomiespecifieke variabelen bevat.

De studie zal worden gerapporteerd volgens de richtlijnen Transparante rapportage van een multivariabel voorspellingsmodel voor individuele prognose of diagnose (TRIPOD) en Richtlijnen voor het ontwikkelen en rapporteren van voorspellende modellen voor machinaal leren in biomedisch onderzoek.