PostoPERatieve longcomplicaties voorkomen door een machinale leerondersteunde aanpak te ontwikkelen (PEPPERMINT)

De incidentie van postoperatieve pulmonale complicaties (POPC) is naar verluidt 9-40%, afhankelijk van de chirurgische ingreep. Verschillende preoperatieve risicofactoren zijn bekend, maar kunnen meestal niet worden gewijzigd. Een groot probleem van oudere publicaties was dat er lange tijd geen duidelijke definitie bestond van de uitkomstparameter "pulmonale complicatie". Pas in 2018 werd een gestandaardiseerde definitie ontwikkeld door het samenwerkingsverband Standardized Endpoints for Perioperative Medicine (StEP) [1]. Vanwege de grote klinische relevantie - POPC is de belangrijkste oorzaak van postoperatieve morbiditeit en mortaliteit - zijn er klinische scoresystemen voor de preoperatieve voorspelling van POPC ontwikkeld, maar hun voorspellende kwaliteit moet nog worden verbeterd [2]. De momenteel best beoordeelde score voor het voorspellen van postoperatieve longcomplicaties (ARISCAT: Assess Respiratory Risk in Surgical Patients in Catalonia) is voldoende gevoelig maar mist specificiteit [3]. Daarom worden ook machine learning-methoden getest om risico's te bepalen op basis van preoperatieve routinegegevens [4].

Echografie wordt steeds belangrijker als niet-invasieve onderzoeksmethode die aan het bed kan worden uitgevoerd. Er zijn al verschillende echografische scores en modellen ontwikkeld om longcomplicaties te voorspellen [5]. Beeldverwerkingsmethoden en machine learning, in het bijzonder deep learning, worden ook steeds vaker gebruikt in de echografie-diagnostiek [6,7]. Een combinatie van routinematige klinische gegevens en beeldvormingsgegevens om een ​​algoritme voor machinaal leren te ontwikkelen, is nog niet getest. Verbeterde algoritmen die gebruik maken van pre- en intraoperatieve klinische informatie naast ultrasone beeldvorming, beloven echter een betere voorspellende nauwkeurigheid dan de respectieve individuele methoden. Bovendien ontbreekt tot nu toe een prospectieve klinische evaluatie van op algoritmen gebaseerde voorspellingsmodellen voor machine learning, hoewel ze goede waarden laten zien voor "gebied onder de ontvanger-bedieningskarakteristiek" (AUROC), nauwkeurigheid en precisie in de respectievelijke test- en validatiedatasets, die zijn beschouwd als gemeenschappelijke maatstaven voor de voorspellende kwaliteit van dergelijke modellen [4].

Maatregelen ter preventie van POPC zijn bekend [8], maar worden waarschijnlijk niet consistent toegepast in de klinische routine vanwege de toegenomen vraag, met name naar personeel. Daarom is ons doel om patiënten die risico lopen op POPC te identificeren op basis van een machine learning-algoritme.

Alle patiënten ondergaan hetzelfde onderzoeksprotocol om het machine learning-model te ontwikkelen. Perioperatieve klinische routinegegevens zullen volgens de norm worden beoordeeld. Postoperatief zal een gestandaardiseerde long-echografie worden uitgevoerd in de verkoeverkamer. Patiënten zullen vervolgens op postoperatieve dag 1, 3 en 7 op de afdeling worden bezocht voor klinisch onderzoek om POPC op te sporen volgens de criteria die zijn uitgewerkt door de StEP-samenwerking.

Volgens onze casusnummerberekening zullen we 512 volwassen patiënten opnemen die een electieve, chirurgische ingreep ondergaan onder algemene anesthesie. Perioperatieve routinegegevens worden beoordeeld en opgeslagen in een ziekenhuisinterne database, evenals gegevens van postoperatief klinisch onderzoek. Beeldgegevens van longechografie worden in het PACS gearchiveerd voor verdere verwerking. Op basis van de verzamelde data zal een machine learning algoritme op basis van neurale netwerken worden getraind om POPC te voorspellen. Het model is gemaakt met de geanonimiseerde gegevens met behulp van de statistisch georiënteerde programmeertaal R en het framework TensorFlow, een deep learning softwarebibliotheek gebaseerd op de programmeertaal Python. De voorspellingskwaliteit van het gecreëerde voorspellingsmodel wordt beoordeeld aan de hand van de oppervlakte onder de kenmerken van de ontvangeroperator (AUROC) en de oppervlakte onder de precisieterugroepcurve (AUPRC) en vergeleken met de waarden van de ARISCAT-score, een gemeenschappelijke score om de risico op POPC.

Nauwkeurige risicobeoordeling door middel van een verbeterd algoritme voor machinaal leren dat zowel klinische routine als beeldvormingsgegevens gebruikt, heeft een groot potentieel om de patiëntresultaten te verbeteren en kan ook helpen om de kosten voor gezondheidszorg te verlagen.

1. Abbott, TEF, Fowler, AJ, Pelosi, P., Gama de Abreu, M., Møller, AM, Canet, J., Craegh-Brown, B., Mythen, M., Gin, T., Lalu, MM, Futier, E., Grocott, MP, Schultz, MJ, Pearse, RM, StEP-COMPAC Group (2018) Een systematische review en consensusdefinities voor gestandaardiseerde eindpunten in peri-operatieve geneeskunde: pulmonale complicaties. Br. J. Anaesth, 120(5) 1066-1079.
2. Bal, L. en Pelosi, P. (2016). Voorspellende scores voor postoperatieve longcomplicaties: tijd om naar de klinische praktijk te gaan. Minerva Anestesiol, 82(3) 265-267.
3. Nithiuthai, J., Siriussawakul, A., Junkai, R., Horugsa, N., Jarungjitaree, S., Triyasunant, N. (2021). Helpen ARISCAT-scores bij het voorspellen van de incidentie van postoperatieve longcomplicaties bij oudere patiënten na een bovenbuikoperatie? Een observationele studie in een enkel academisch ziekenhuis. Perioper Med (Londen), 10(1) 43.
4. Xue, B., Li, D., Lu, C., King, C.R., Wildes, T., Avidan, M.S., Kannampallil, T., Abraham, J. (2021) Gebruik van machinaal leren om modellen te ontwikkelen en te evalueren met Preoperatieve en intraoperatieve gegevens om de risico's van postoperatieve complicaties te identificeren. Jama Netwerk Open, 4(3).
5. Szabo, M., Bozó, A., Darvas, K., Soós, S., Özsem M., Iványi, Z.D. (2021) De rol van echografische longbeluchtingsscore bij de voorspelling van postoperatieve longcomplicaties: een observationele studie. BMC Anesthesiol, 21(1) 19.
6. van Sloun, R.J.G. en Demi, L. (2020) B-lijnen lokaliseren in longechografie door zwak gesuperviseerd diep leren, in-vivo-resultaten. IEEE J Biomed Gezondheidsinformatie, 24(4) 957-964.
7. Brusasco, C., Santori, G., Tavazzi, G., Via, G., Robba, C.m Gargani, L., Mojoli, F., Mongodi, S., Bruzzo, E., Trò, R., Boccacci, P., Isirdi, A., Forfori, F., Corradi, F., UCARE (Ultrasound in Critical Care and Anesthesia Research Group) (2022) Tweede-orde grijsschaaltextuuranalyse van pleurale echografiebeelden om acute respiratory distress syndrome te differentiëren en cardiogeen longoedeem. J Clin Monit Comput, 36(1) 131-140.
8. Miskovic, A. en Lumb, A.B. (2017). Postoperatieve longcomplicaties. Br. J. Anaesth, 118(3), 317-334.