Forebygging av postoPERative lungekomplikasjoner ved å etablere en maskinlæringsassistert tilnærming (PEPPERMINT)

Forekomsten av postoperative lungekomplikasjoner (POPC) er rapportert å være 9-40 %, avhengig av kirurgisk prosedyre. Ulike preoperative risikofaktorer er kjent, men kan vanligvis ikke modifiseres. Et stort problem med eldre publikasjoner var at det i lang tid ikke eksisterte noen klar definisjon av utfallsparameteren "lungekomplikasjon". Det var først i 2018 at en standardisert definisjon ble utviklet av samarbeidet Standardized Endpoints for Perioperative Medicine (StEP) [1]. På grunn av den høye kliniske relevansen - POPC er hovedårsaken til postoperativ morbiditet og dødelighet - er det utviklet kliniske skåringssystemer for preoperativ prediksjon av POPC, men deres prediktive kvalitet må fortsatt forbedres [2]. Den best evaluerte skåren for å forutsi postoperative lungekomplikasjoner (ARISCAT: Assess Respiratory Risk in Surgical Patients in Catalonia) har tilstrekkelig sensitivitet, men mangler spesifisitet [3]. Derfor testes også maskinlæringsmetoder for å bestemme risiko fra preoperative rutinedata [4].

Sonografi blir stadig viktigere som en ikke-invasiv undersøkelsesmetode som kan utføres ved sengekanten. Ulike sonografiske skårer og modeller er allerede utviklet for å forutsi lungekomplikasjoner [5]. Bildebehandlingsmetoder og maskinlæring, spesielt dyp læring, blir også i økende grad brukt i ultralyddiagnostikk [6,7]. En kombinasjon av rutinemessige kliniske data og bildedata for å utvikle en maskinlæringsalgoritme er ennå ikke testet. Imidlertid lover utvidede algoritmer som bruker pre- og intraoperativ klinisk informasjon i tillegg til ultralydavbildning bedre prediktiv nøyaktighet enn de respektive individuelle metodene. I tillegg mangler prospektiv klinisk evaluering av maskinlæringsalgoritmebaserte prediksjonsmodeller til dags dato, selv om de viser gode verdier for "areal under mottakerens operasjonskarakteristikk" (AUROC), nøyaktighet og presisjon i de respektive test- og valideringsdatasettene, som er vurderte vanlige mål på den prediktive kvaliteten til slike modeller [4].

Tiltak for forebygging av POPC er kjent [8], men brukes sannsynligvis ikke konsekvent i klinisk rutine på grunn av økt etterspørsel, spesielt etter menneskelige ressurser. Derfor er målet vårt å identifisere pasienter med risiko for POPC på grunnlag av en maskinlæringsalgoritme.

Alle pasienter gjennomgår den samme studieprotokollen for å utvikle maskinlæringsmodellen. Perioperative kliniske rutinedata vil bli vurdert i henhold til standard. Postoperativt skal en standardisert lungesonografi utføres på utvinningsrommet. Pasienter vil deretter bli besøkt på avdelingen på postoperativ dag 1, 3 og 7 for klinisk undersøkelse for å påvise POPC i henhold til kriteriene utarbeidet av StEP-samarbeidet.

I følge vår saksnummerberegning vil vi inkludere 512 voksne pasienter som gjennomgår elektive, kirurgiske inngrep under generell anestesi. Peroperativ rutinedata vil bli vurdert og lagret i en sykehusintern database, samt data fra postoperativ klinisk undersøkelse. Bildedata fra lungesonografi vil bli arkivert i PACS for videre behandling. Basert på de innsamlede dataene vil en maskinlæringsalgoritme basert på nevrale nettverk trenes til å forutsi POPC. Modellen er laget med de anonymiserte dataene ved å bruke det statistikkorienterte programmeringsspråket R og rammeverket TensorFlow, et dyplæringsprogramvarebibliotek basert på programmeringsspråket Python. Prediksjonskvaliteten til den opprettede prediksjonsmodellen vurderes ved å bruke arealet under mottakeroperatørkarakteristikkene (AUROC) samt arealet under presisjonsgjenkallingskurven (AUPRC) og sammenlignet med verdiene til ARISCAT-skåren, en vanlig poengsum for å estimere risiko for POPC.

Nøyaktig risikovurdering ved hjelp av en utvidet maskinlæringsalgoritme som bruker klinisk rutine så vel som bildedata har stort potensial for å forbedre pasientresultater og kan også bidra til å redusere helsekostnader.

1. Abbott, T.E.F., Fowler, A.J., Pelosi, P., Gama de Abreu, M., Møller, A.M., Canet, J., Craegh-Brown, B., Mythen, M., Gin, T., Lalu, M.M., Futier, E., Grocott, M.P., Schultz, M.J., Pearse, R.M., StEP-COMPAC Group (2018) En systematisk oversikt og konsensusdefinisjoner for standardiserte endepunkter i perioperativ medisin: lungekomplikasjoner. Br J Anaesth, 120(5) 1066-1079.
2. Ball, L. og Pelosi, P. (2016). Prediktive skårer for postoperative lungekomplikasjoner: tid til å gå mot klinisk praksis. Minerva Anestesiol, 82(3) 265-267.
3. Nithiuthai, J., Siriussawakul, A., Junkai, R., Horugsa, N., Jarungjitaree, S., Triyasunant, N. (2021). Hjelper ARISCAT-score til å forutsi forekomsten av postoperative lungekomplikasjoner hos eldre pasienter etter øvre abdominal kirurgi? En observasjonsstudie ved et enkelt universitetssykehus. Perioper Med (Lond), 10(1) 43.
4. Xue, B., Li, D., Lu, C., King, C.R., Wildes, T., Avidan, M.S., Kannampallil, T., Abraham, J. (2021) Bruk av maskinlæring for å utvikle og evaluere modeller ved å bruke Preoperative og intraoperative data for å identifisere risiko for postoperative komplikasjoner. Jama Network Open, 4(3).
5. Szabo, M., Bozó, A., Darvas, K., Soós, S., Özsem M., Iványi, Z.D. (2021) Rollen til ultrasonografisk lungeluftingspoeng i prediksjonen av postoperative lungekomplikasjoner: en observasjonsstudie. BMC Anesthesiol, 21(1) 19.
6. van Sloun, R.J.G. og Demi, L. (2020) Localizing B-Lines in Lung Ultrasonography by Weakly Supervised Deep Learning, In-Vivo Results. IEEE J Biomed Health Inform, 24(4) 957-964.
7. Brusasco, C., Santori, G., Tavazzi, G., Via, G., Robba, C.m Gargani, L., Mojoli, F., Mongodi, S., Bruzzo, E., Trò, R., Boccacci, P., Isirdi, A., Forfori, F., Corradi, F., UCARE (Ultrasound in Critical Care and Anesthesia Research Group) (2022) Andre-ordens gråskala teksturanalyse av pleurale ultralydbilder for å differensiere akutt respiratorisk distress-syndrom og kardiogent lungeødem. J Clin Monit Comput, 36(1) 131-140.
8. Miskovic, A. og Lumb, A.B. (2017). Postoperative lungekomplikasjoner. Br J Anaesth, 118(3), 317-334.