Toekomstige validatie van het SHOCKMATRIX-bloedingsvoorspellingsmodel (SHOCKMATRIX)

Achtergrond: Hemorragische shock blijft de belangrijkste oorzaak van vroegtijdige vermijdbare sterfte bij ernstig gewonde patiënten. Wanneer kort na een ernstig trauma een ernstige bloeding optreedt, en dus sprake is van een vroege ernstige bloeding (ESH), wordt de behandeling ervan zeer uitdagend. In deze context kan het verbeteren van klinische beslissingen en het verkorten van de interventietijd, bekend als een cruciaal eindpunt, het ontwerpen van innovatieve instrumenten voor vroege detectie vereisen, evenals het bestuderen van hun integratie binnen het routinematige gezondheidszorgproces.

Doel: Deze studie maakt deel uit van het TRAUMATRIX-project onder leiding van de Traumabase Group in samenwerking met Capgemini Invent en verschillende onderzoekscentra (Ecole polytechnique, CNRS, EHESS) en heeft tot doel een recent ontwikkeld op machine learning gebaseerd voorspellend model voor ESH bij traumapatiënten extern te valideren . Dit model, eerder getraind op een hoogwaardige traumadatabase genaamd Traumabase, biedt een specifiek vermogen om met ontbrekende waarden om te gaan.

Materialen en methoden: Ten minste 1500 volwassen traumapatiënten uit 8 Franse traumacentra zullen gedurende een periode van zes tot 24 maanden worden geïncludeerd met een retrospectieve en prospectieve steekproef. ESH zal gelden als onze primaire uitkomstmaat, gedefinieerd als een van de volgende gebeurtenissen die plaatsvinden binnen de eerste uren van traumabehandeling: elke transfusie met rode bloedcellen (RBC) in de reanimatiekamer, of een transfusie van meer dan 4 RBC’s binnen de eerste 6 uur, of hemostatische noodinterventie (chirurgie of interventionele radiologie), of overlijden in een ondubbelzinnige setting van ongecontroleerde, geobjectiveerde bloeding. Interessante gegevens zullen in twee fasen worden verzameld: (1) vanaf de preklinische fase van het traumabeheer, waar de variabelen die nodig zijn om de algoritmische voorspelling van ESH (10 inputs) te berekenen, evenals de klinische voorspelling van de behandelende traumaleider die in in de reanimatiekamer wordt een pre-alarmoproep van de meldkamer in realtime opgenomen met behulp van een speciale gebruiksvriendelijke smartphone-interface, ontwikkeld door de teams van Capgemini Invent; (2) uit een vertraagde fase waarin een klassieke opname in de Traumabase® zal worden uitgevoerd om de componentvariabelen van het samengestelde ESH-eindpunt op te halen, en een feedbackonderzoek zal worden verzonden naar de traumateams die bij het onderzoek betrokken zijn om aanvullende informatieve gegevens te verzamelen. De verzamelde prospectieve gegevens zullen we vergelijken met een retrospectieve cohort voorspellende prestatie van twee systemen, namelijk de klinische trauma-expert versus ons op machine learning gebaseerde voorspellende model.