Voorspelling van complicaties na een grote maag-darmoperatie met machinaal leren en point-of-care-echografie (AI_PLUS)

Het primaire doel van deze studie is het ontwikkelen van een machine learning-framework om grote complicaties na een grote maag-darmoperatie te voorspellen. Secundaire doelstellingen zijn onder meer het combineren van dit raamwerk met point-of-care-echografie om de beste initiële reanimatiestrategie te bepalen; en om te bepalen welke ultrasone parameters het beste voorspellend zijn voor vloeistofintolerantie. Bovendien als RAAS actiever is na leverresectie.

Studieontwerp:

Observationeel cohortonderzoek in één centrum

Studiepopulatie:

Volwassen patiënten die een electieve grote gastro-intestinale operatie ondergaan

Primaire onderzoeksparameters/uitkomst van het onderzoek:

Het belangrijkste eindpunt van het onderzoek is een machine learning-framework gebaseerd op het hemodynamische profiel om grote complicaties te voorspellen, met name cardiovasculaire/pulmonale instabiliteit, waaronder sepsis en septische shock. Gegevens van de ClearSight zullen worden gebruikt om niet-invasieve arteriële drukgolfvormen te verzamelen. Point-of-care-echografie van het hart, de longen en de buikaders, en klinische gegevens uit het elektronische medische dossier zullen worden verzameld

Secundaire onderzoeksparameters/resultaten van het onderzoek (indien van toepassing):

Point-of-care-echografie van het hart, de longen en de buikaders, en klinische gegevens uit het elektronische medische dossier zullen worden verzameld. In een subgroep van 40 patiënten zullen RAAS-niveaus en portale bloedmonsters worden geanalyseerd.