Deze pagina is automatisch vertaald en de nauwkeurigheid van de vertaling kan niet worden gegarandeerd. Raadpleeg de Engelse versie voor een brontekst.

Platforms voor machinaal leren om mortaliteit na 30 dagen na laparotomie in noodgevallen te voorspellen

12 april 2023 bijgewerkt door: Michael G. Irwin, The University of Hong Kong

Ontwikkeling en validatie van een nieuw machine learning-model om de 30-daagse mortaliteit van noodlaparotomie in de bevolking van Hong Kong te voorspellen

Deze studie probeert retrospectieve patiëntgegevens te gebruiken om machine learning-algoritmen te trainen om de mortaliteit en morbiditeit op korte termijn na een noodlaparotomie te voorspellen.

Gegevens zullen worden verzameld via het elektronische patiëntendossiersysteem in het Queen Mary Hospital Hong Kong. Machine learning-modellen zullen worden vergeleken en de best presterende zal worden onderzocht voor verdere optimalisatie en implementatie. Na voltooiing hopen we dat dit platform clinici zal helpen om patiënten met een hoog risico te identificeren en klinische beslissingen en peri-operatieve planning te ondersteunen, met als doel mortaliteit en morbiditeit in deze procedure met hoog risico te verminderen.

Studie Overzicht

Toestand

Nog niet aan het werven

Conditie

Gedetailleerde beschrijving

Noodlaparotomie (EL) is een vaak uitgevoerde procedure en een operatie met een hoog risico waarvan bekend is dat deze een hoge mortaliteit en morbiditeit kent. Ondanks verschillende audits en onderzoeken om de risicofactoren te identificeren en protocollen in te voeren die gericht zijn op het verbeteren van chirurgische resultaten, blijft de mortaliteit op korte termijn na EL hoog. Wereldwijde gegevens tonen aan dat de mortaliteit op korte termijn (30 dagen) varieert tussen 5,3-21,8%, en sterftecijfers op lange termijn (1 jaar) variëren tussen 15-47% (Ref 1). Oudere patiënten zijn geïdentificeerd als de subgroep die lijdt aan de hoogste sterftecijfers, en er zijn inspanningen geleverd bij oudere patiënten die EL ondergaan, waaronder: het gebruik van risicoberekeningen voor voorspelling van mortaliteit, meer peri-operatieve input van geriater en intensive care, aanwezigheid van hogere adviseurs van chirurgen en anesthesisten in de operatiekamer en invoering van verzwaarde zorgtrajecten. Afgezien van leeftijd en inbreng van specialisten, omvatten andere risicofactoren voor mortaliteit na EL: kwetsbaarheid, operatieduur, kankergerelateerde chirurgie, stomazorg, patiëntenselectie, preoperatieve sepsis en fysiologische parameters, reeds bestaande comorbiditeiten, ASA-status (Ref 2 ).

Mortaliteitsvoorspellingsmodellen die momenteel klinisch worden gebruikt voor EL omvatten de Portsmouth-Physiologic and Operative Severity Score voor de opsomming van mortaliteit en morbiditeit (P-POSSUM), Acute Physiology and Chronic Health Evaluation II (APACHE-II), American College of Surgeons National Surgical Kwaliteitsverbetering (ACS-NSQIP), en de meest recente toevoeging van de (NELA) risicocalculator. De National Emergency Laparotomy Audit (NELA) die sinds 2012 in het VK wordt uitgevoerd, heeft geleid tot een paradigmaverschuiving in evidence-based verbetering voor patiënten die EL ondergaan, waarbij een vermindering van het nationale sterftecijfer na 30 dagen is aangetoond (11,8% vs. 8,7% in 2012 vs. 2012) na identificatie en implementatie van specifieke aanbevelingen (Ref 3).

Gebruikmakend van de gegevens van het grote NELA UK-cohort tussen 2014-2016, werd de NELA-tool voor risicoberekening ontwikkeld om de mortaliteit na 30 dagen te schatten, en houdt rekening met demografische gegevens van de patiënt, ASA-status, fysiologische parameters, vitale functies en details met betrekking tot ernst en aard van chirurgische ingreep. Meerdere onderzoeken in het VK, Australië en Singapore hebben aangetoond dat de NELA-risicocalculator vergelijkbaar, zo niet superieur is aan P-POSSUM voor mortaliteitsvoorspelling en risicostratificatie om onderscheid te maken tussen laag- en hoogrisicopatiënten die EL ondergaan (Ref 5, 6, 7) . Geen enkele risicoscore is echter perfect. Het NELA-risicomodel bleek de waargenomen sterfte te onderschatten en P-POSSUM de waargenomen sterfte te overschatten (Ref 8). Sinds de introductie is NELA een pionier geweest in het ontwikkelen van evidence-based interventies en richtlijnen voor toekomstig onderzoek bij patiënten die EL ondergaan, maar de implementatie ervan in Hong Kong is beperkt door een gebrek aan validatie van nauwkeurigheid in onze patiëntenpopulatie.

Kwetsbaarheid wordt gedefinieerd als: een objectieve maatstaf voor verhoogde kwetsbaarheid en verminderde fysiologische reserve, resulterend in accumulatie van fysiologische tekorten in meerdere systemen, en kan voorkomen bij patiënten van alle leeftijden, maar komt het meest voor bij oudere patiënten. Kwetsbaarheid is een bekende risicofactor voor slechte chirurgische resultaten bij EL (Ref 9, 10), maar moet nog worden opgenomen in veelgebruikte risicocalculators. Er zijn veel risicoscores en surrogaatindices voor kwetsbaarheid, sarcopenie en osteopenie. Clinical Frailty Score (CFS) is de meest gebruikte index voor kwetsbaarheid, en van CVS alleen is aangetoond dat het prognostische informatie verschaft voor patiënten die EL ondergaan, maar nog steeds ondermaats presteren in vergelijking met NELA. Interessant is dat de toevoeging van CVS aan NELA de nauwkeurigheid van de voorspelling van het risicomodel niet verhoogde (Ref 11).

De toepassing van deep learning en machine learning wint aan populariteit en is gebruikt om verschillende risicovoorspellingsmodellen en voorspelling van toekomstige gebeurtenissen te ontwikkelen (Ref 4). Accumulatie van enorme datasets van anesthesiedossiers kan een schatkamer blijken te zijn voor datawetenschappers om nieuwe trends en voorspellingen te ontdekken die voorheen over het hoofd werden gezien. Risicocalculators zijn nuttige hulpmiddelen voor clinici om te helpen bij klinische besluitvorming, maar de nauwkeurigheid en validatie van deze risicocalculators is in deze omgeving nog niet gedaan. Met behulp van algoritmen voor machinaal leren en integratie van kwetsbaarheid in risicocalculators, hopen we een nieuw algoritme te ontwikkelen met een hoge nauwkeurigheid en generaliseerbaarheid, om te worden geïntroduceerd in klinisch gebruik.

Referenties:

  1. (Ref 1: Ng et. al, Resultaten na één jaar na laparotomie in noodgevallen: een systematische review, World J surg, 2022, https://pubmed.ncbi.nlm.nih.gov/34837122/)
  2. (Ref 2: (Ref: Boyd-Carson et al, Een overzicht van chirurgische en perii-operatieve factoren waarmee rekening moet worden gehouden bij spoedeisende laparotomiezorg, 2020, Anesthesia, https://pubmed.ncbi.nlm.nih.gov/31903572/)
  3. (Ref 3: NELA-projectteam. Zevende patiëntenrapport van de National Emergency Laparotomy Audit RCoA London 2021)
  4. (Ref 4: Kwon et al, Machine learning: een nieuwe kans voor risicovoorspelling, Koreaans Circ J. 2020, https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6923232/)
  5. (Ref 5: Lai et al., Een vergelijking van de P-POSUSM- en NELA-risicoscore voor patiënten die een noodlaparotomie ondergaan in Singapore, World J Surg, 2021, https://pubmed.ncbi.nlm.nih.gov/33903953/)
  6. (Ref 6: Eliezer et al, Hoogrisico-noodlaparotomie in Australië: vergelijking van NELA-, P-POSSUM- en ACS-NSQIP-rekenmachines, J of surg research, 2020, https://www.sciencedirect.com/science/article/abs/ pii/S0022480419306584 )
  7. (Ref 7: Eugene et al, Ontwikkeling en interne validatie van een nieuw risicoaanpassingsmodel voor volwassen patiënten die een laparotomie-operatie ondergaan: het nationale risicomodel voor een laparotomie-audit, BJA, 2018, https://www.sciencedirect.com/science/ artikel/pii/S0007091218305786 )
  8. (Ref 8: Thahir A, Pinto-Lopes R, Madenlidou S, Daby L, Halahakoon C. Mortaliteitsrisicoscore bij algemene spoedoperaties: gebruiken we het beste hulpmiddel? Journal of perioperatieve praktijk. 2021;31(4):153-158. doi:10.1177/1750458920920133, https://journals.sagepub.com/doi/abs/10.1177/1750458920920133)
  9. (Ref 9: Fehlmann et al, Associatie tussen mortaliteit en kwetsbaarheid in spoedeisende algemene chirurgie: een systematische review en meta-analyse, Euro J Trauma Emerg Surg, 2022, https://link.springer.com/article/10.1007/s00068- 020-01578-9)
  10. (Ref 10: Lee et.al, 2020, https://doi.org/10.1111/jgs.16334 (https://agsjournals.onlinelibrary.wiley.com/doi/epdf/10.1111/jgs.16334))
  11. (Ref 11: Palaniappan - Comparison of the clinical frailty score CFS to the National Emergency. Palaniappan et al, Comparison of CFS to the NELA risk calculator in all patienten die emergency laparotomie ondergaan, Colorectal disease, 2022, https://onlinelibrary.wiley. com/doi/full/10.1111/codi.16089 )

Studietype

Observationeel

Inschrijving (Verwacht)

5000

Contacten en locaties

In dit gedeelte vindt u de contactgegevens van degenen die het onderzoek uitvoeren en informatie over waar dit onderzoek wordt uitgevoerd.

Studiecontact

  • Naam: Michael Garnet Irwin, M.B. Ch.B
  • Telefoonnummer: 97018342
  • E-mail: mgirwin@hku.hk

Studie Locaties

    • Guangdong
      • Hong Kong, Guangdong, China, 999077
        • HKU Li Ka Shing Faculty of Medicine
        • Contact:
          • Chong
          • Telefoonnummer: (852)22553749

Deelname Criteria

Onderzoekers zoeken naar mensen die aan een bepaalde beschrijving voldoen, de zogenaamde geschiktheidscriteria. Enkele voorbeelden van deze criteria zijn iemands algemene gezondheidstoestand of eerdere behandelingen.

Geschiktheidscriteria

Leeftijden die in aanmerking komen voor studie

  • Volwassen
  • Oudere volwassene

Accepteert gezonde vrijwilligers

Nee

Bemonsteringsmethode

Niet-waarschijnlijkheidssteekproef

Studie Bevolking

Alle patiënten die binnen het tijdsbestek van observatie aan de geschiktheidscriteria voldoen, zullen worden opgenomen in deze studie voor machine learning-modellering. Daarom is er voor dit onderzoek geen berekening van de steekproefomvang nodig.

Beschrijving

Inclusiecriteria:

  • Volwassen patiënten (> 18 jaar oud) die EL ondergaan in het Queen Mary Hospital tussen januari 2017 en april 2021 zullen in deze studie worden opgenomen

Uitsluitingscriteria:

  • Patiënten die andere spoedeisende algemene chirurgische ingrepen ondergaan (bijv. laparoscopieën, cholecystectomie, appendicectomie) zullen van dit onderzoek worden uitgesloten.

Studie plan

Dit gedeelte bevat details van het studieplan, inclusief hoe de studie is opgezet en wat de studie meet.

Hoe is de studie opgezet?

Ontwerpdetails

Wat meet het onderzoek?

Primaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Sterftecijfer op korte termijn (30 dagen) bij noodlaparotomieën en nauwkeurigheid van de NELA-risicocalculator bij de bevolking van Hong Kong.
Tijdsspanne: Januari 2017 en april 2021
We veronderstellen dat het machine learning-algoritme met integratie van de kwetsbaarheid beter zal presteren dan de bestaande NELA-risicocalculator
Januari 2017 en april 2021

Medewerkers en onderzoekers

Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.

Onderzoekers

  • Hoofdonderzoeker: Michael Garnet Irwin, M.B. Ch.B, The University of Hong Kong

Studie record data

Deze datums volgen de voortgang van het onderzoeksdossier en de samenvatting van de ingediende resultaten bij ClinicalTrials.gov. Studieverslagen en gerapporteerde resultaten worden beoordeeld door de National Library of Medicine (NLM) om er zeker van te zijn dat ze voldoen aan specifieke kwaliteitscontrolenormen voordat ze op de openbare website worden geplaatst.

Bestudeer belangrijke data

Studie start (Verwacht)

28 april 2023

Primaire voltooiing (Verwacht)

31 juli 2024

Studie voltooiing (Verwacht)

31 juli 2025

Studieregistratiedata

Eerst ingediend

12 april 2023

Eerst ingediend dat voldeed aan de QC-criteria

12 april 2023

Eerst geplaatst (Werkelijk)

25 april 2023

Updates van studierecords

Laatste update geplaatst (Werkelijk)

25 april 2023

Laatste update ingediend die voldeed aan QC-criteria

12 april 2023

Laatst geverifieerd

1 april 2023

Meer informatie

Termen gerelateerd aan deze studie

Aanvullende relevante MeSH-voorwaarden

Andere studie-ID-nummers

  • UW 22-334

Plan Individuele Deelnemersgegevens (IPD)

Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?

ONBESLIST

Informatie over medicijnen en apparaten, studiedocumenten

Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel

Nee

Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct

Nee

Deze informatie is zonder wijzigingen rechtstreeks van de website clinicaltrials.gov gehaald. Als u verzoeken heeft om uw onderzoeksgegevens te wijzigen, te verwijderen of bij te werken, neem dan contact op met register@clinicaltrials.gov. Zodra er een wijziging wordt doorgevoerd op clinicaltrials.gov, wordt deze ook automatisch bijgewerkt op onze website .

Abonneren