Machine learning voor de evaluatie van het terugvalrisico bij acute galpancreatitis. (MINERVA)

Acute pancreatitis is de meest voorkomende pancreasziekte, met een wereldwijde incidentie van 34 gevallen per 100.000 personen. Deze ziekte telt wereldwijd ruim 1,5 miljoen nieuwe patiënten per jaar, met een sterftecijfer dat de 1% benadert. Patiënten met milde biliaire acute pancreatitis kunnen, wanneer ze in het ziekenhuis worden opgenomen, worden behandeld met index, vroege cholecystectomie (binnen 3 tot 7 dagen na de acute episode) of conservatief. Hoewel conservatieve behandeling oplossingsgericht kan zijn, krijgt tot 35% van deze patiënten binnen 30 dagen een terugval en is een spoedoperatie nodig bij een aanzienlijk slechtere algemene toestand van de patiënt, waardoor de kans op succes kleiner wordt. Afgezien daarvan vergroot terugval de kans op chronische pancreatitis, alvleesklierkanker, postoperatieve complicaties en algehele mortaliteit dramatisch. Terugval-episodes hebben ook een economische impact op gezondheidszorginstellingen, aangezien een tweede en langere ziekenhuisopname per patiënt de totale medische kosten per patiënt met minstens 100% verhoogt. Tot nu toe zijn er echter geen gestandaardiseerde methoden om recidief van acute galpancreatitis te voorspellen bij patiënten die geen vroege cholecystectomie hebben ondergaan na de eerste episode van milde acute pancreatitis.

Het MINERVA-project (Machine learning for the relapse Risk EValuation in Acute biliary pancreatitis) komt voort uit de behoefte in de klinische praktijk om een ​​operationele beslissing te nemen bij patiënten die in het ziekenhuis worden opgenomen met de diagnose milde acute biliaire pancreatitis.

Het MINERVA-project heeft tot doel de volgende doelstellingen en resultaten te bereiken:

1. Een nieuwe methodologie voorstellen voor de beoordeling van het risico op terugval bij patiënten met milde biliaire acute pancreatitis die geen vroege cholecystectomie hebben ondergaan na de eerste episode van milde biliaire acute pancreatitis;
2. Een voorspellend model voor machinaal leren voorstellen met behulp van een Deep Learning-architectuur die wordt toegepast op gegevens die gemakkelijk van patiënten kunnen worden verzameld;
3. Valideer de MINERVA-score op een uitgebreid, multicentrisch, prospectief cohort;
4. Geef nationale en internationale artsen, medisch personeel, onderzoekers en het algemene publiek vrij en gemakkelijk toegang tot de MINERVA-scoreberekening en gebruik deze in hun dagelijkse klinische praktijk.

De MINERVA-score zal de artsen een gevalideerde en gestandaardiseerde beoordeling van het terugvalrisico bieden, waarbij rekening wordt gehouden met de persoonlijke geschiedenis, demografische gegevens en laboratoriumkenmerken van elke patiënt. De MINERVA-score zal gratis en eenvoudig direct te berekenen zijn voor al het medische personeel; het zal op elk moment toegankelijk zijn op de MINERVA-website en webapp, en zal een onmiddellijk en betrouwbaar resultaat opleveren dat een duidelijke indicatie kan zijn voor het beste behandeltraject voor de arts en voor de patiënt.

Het MINERVA-scoremodel zal worden ontwikkeld op basis van een retrospectief cohort van patiënten (MANCTRA-1, al geregistreerd in ClinicalTrials.gov) en zal worden gevalideerd op een nieuw prospectief multicentrisch cohort.

Retrospectief cohort De modelontwikkeling en initiële training zullen worden uitgevoerd op een retrospectief cohort van patiënten (n=692) verzameld tijdens een voorbereidend multicentrisch onderzoek, het MANCTRA-1-onderzoek (goedgekeurd door de Ethische Commissie van het Universitair Ziekenhuis van Cagliari, MANCTRA-1 - NCT04747990, Prot. PG/2021/7108) uitgevoerd door de PI (Dr. Mauro Podda) en de lokale verantwoordelijke van de Universiteit van Cagliari voor het MINERVA-project.

Prospectief cohort In totaal zullen 430 patiënten worden gerekruteerd in het prospectieve cohort van de MINERVA-studie.

Methoden De MINERVA-score zal gebaseerd zijn op een Machine Learning-model dat zal worden ontwikkeld en getraind op een retrospectief cohort en gevalideerd op een prospectief cohort van patiënten.

Alle modelvariabelen worden verwerkt met kernel Principal Component Analysis (kPCA).

De convexe romp van het spreidingsdiagram van de hoofdcomponenten wordt berekend en de kleinste rechthoek wordt geëxtraheerd. De rechthoek wordt omgezet in een 2D-afbeelding met een vaste resolutie met behulp van kenmerkmiddeling en normalisatie.

Het model zal worden ontwikkeld aan de Universiteit van Napels Federico II door Dr. Daniela Pacella met expertise en supervisie op het gebied van Machine Learning.

Om overfitting te voorkomen wordt de dataset opgesplitst in trainingsset, testset en validatieset. Daarnaast zal er gebruik worden gemaakt van k-voudige kruisvalidatie. De prestaties van het MINERVA-model zullen worden geëvalueerd met behulp van de meest gebruikte nauwkeurigheidsmetingen, zoals precisie, herinnering en AUC (Area Under the ROC Curve). Bovendien zullen de prestaties ervan worden vergeleken met die van traditionele machine learning-methoden (SVM, ANN). Ontbrekende gegevens worden behandeld met imputatiemethoden.

Variabelen Leeftijd (jaren) Geslacht (man:vrouw) Eerdere episoden van galpancreatitis (ja; nee) Toelating van specialiteit (hepatopancreatogalchirurgie, algemene chirurgie, interne geneeskunde, gastro-enterologie) Body mass index -BMI- (kg/m2) Klinische voorgeschiedenis van diabetes (Geen diabetes; Ja met orgaandisfunctie; Ja zonder orgaandisfunctie) Klinische voorgeschiedenis van chronische longziekte (Ja; Nee) Klinische voorgeschiedenis van hypertensie (Ja; Nee) Klinische voorgeschiedenis van atriumfibrilleren (Ja; Nee) Klinische voorgeschiedenis van ischemische hartziekte (Ja; Nee) Klinische voorgeschiedenis van chronische nierziekte (Nee; Ja onder medicatie; Ja bij permanente nierfunctievervangende therapie of ter voorbereiding daarop) Klinische voorgeschiedenis van ziekten van het hematopoietische systeem (Ja; Nee) Patiënt gebruikt immunosuppressieve medicijnen in het ziekenhuis opname (Ja; Nee) Witte bloedcellen -WBC- (cellen/mm3) Neutrofielen (cellen/mm3) Bloedplaatjes (Plt/mm3) INR (International Normalised Ratio) C-reactief proteïne -CRP- (mg/L) Aspartaataminotransferase - AST- (U/L) Alanine-aminotransferase -ALT- (U/L) Totaal bilirubine (mg/dL) Geconjugeerd bilirubine (mg/dL) Gamma-glutamil-transpeptidase -GGT- (U/L) Serumamylase (U/L) ) Serumlipase (U/L) Lactaatdehydrogenase -LDH- (U/L) Choledocholithiasis (Ja; Ja, met obstructie van de galwegen; Nee) Cholangitis (Ja; Nee) ERCP met sfincterotomie (Ja binnen 24 uur na ziekenhuisopname; Ja binnen 24-48 uur na ziekenhuisopname; Ja binnen 48-72 uur na ziekenhuisopname; Nee) Acute galpancreatitis recidief na 30 dagen, 60- dag, 90 dagen, 1 jaar.