Resultaten bij adolescenten van postoperatieve blootstelling aan opioïden (APEX)

In dit project zullen we gegevens verzamelen van een gevarieerde steekproef van 10.000 tweetallen, waaronder adolescente patiënten (in de leeftijd van 12 tot en met 17 jaar) die een grote operatie ondergaan met gepland postoperatief gebruik van opioïde analgetica. en een ouder (totaal N=20.000) om ROUD te identificeren die binnen de 12 maanden na de operatie kan optreden. De resulterende gegevensopslag zal klinische wetenschappers en artsen in staat stellen op onderzoek gebaseerde pijnbeheersingsprotocollen te ontwikkelen voor adolescente chirurgische patiënten om het risico op OUD in deze kwetsbare populatie te verminderen.

Met behulp van een nieuwe combinatie van gegevensbronnen (elektronische medische dossiers (EMR), door de patiënt gerapporteerde uitkomsten en door de ouders gerapporteerde uitkomsten) onderzoekt deze studie de dubbele problemen van postoperatieve pijn en ROUD bij adolescente chirurgische patiënten. We gebruiken bewijs uit de echte wereld om longitudinaal gedrag en resultaten te evalueren.

Dit project zal inzicht verschaffen in de associaties tussen postoperatief pijnmanagement en ROUD bij adolescenten. Onze bevindingen kunnen informatie opleveren over potentiële risico's, die toekomstige onderzoeken kunnen informeren en uiteindelijk kunnen leiden tot nieuwe screeningsinstrumenten om de risico's te beoordelen vóór het voorschrijven van opioïden, bijgewerkte protocollen voor het beheersen van pijn tijdens en na de operatie bij populaties met een hoog risico, bijgewerkte patiënt- en familiegegevens. voorlichtingsmateriaal om de risico's te verminderen voor degenen die pijnlijke procedures ondergaan, en herziene aanbevelingen voor monitoring van patiënten die voor pijn worden behandeld. Bovendien maakt het project het mogelijk een infrastructuur tussen kinderchirurgische centra op te zetten die kan worden gebruikt voor toekomstige projecten om de beste postoperatieve resultaten voor jongeren te evalueren.

Doel 1: We zullen machine learning-modellen gebruiken om screeningalgoritmen te ontwikkelen en te valideren om ‘vroege waarschuwingssignalen’ of risicofactoren voor opioïdengebruiksstoornissen (ROUD) te detecteren. De kenmerken in deze modellen omvatten de pre-, intra- en postoperatieve EMR-afgeleide gegevenselementen en de onderzoeksgegevens. We zullen de modellen vergelijken met de hierboven beschreven primaire uitkomst. Modelevaluatie zal worden uitgevoerd via kruisvalidatie, waarbij de modellen zullen worden aangepast aan een willekeurig geselecteerde trainingsset van patiënten en zullen worden geëvalueerd aan de resterende subset van de patiënten om exclusief te worden gebruikt voor het testen van de prestaties van de uiteindelijke modellen.

Doel 2: Ontwikkelen en valideren van een voorspellingsmodel dat is ontworpen om een ​​klinisch traject van postoperatief opioïdengebruik en pijn te voorspellen. We zullen clustering gebruiken om typische patiënttrajecten van opioïdengebruik te identificeren, en we zullen soortgelijke voorspellings- en validatietechnieken als in Doel 1 gebruiken om een ​​voorspellingsmodel voor deze trajecten op te bouwen.