A1Check: den eksterne valideringen av en maskinlæringsmodell som forutsier kolorektal anastomotisk lekkasje (A1Check)

Studieprosedyre Målet med studien er å eksternt validere en maskinlæringsmodell som forutsier kolorektal anastomotisk lekkasje. Prediksjonsmodellen som vil bli eksternt validert, er utviklet på en prospektiv database. Denne databasen inneholdt data om 2 483 pasienter med kolorektal kreft som gjennomgikk et kirurgisk inngrep mellom januar 2016 og april 2021 på 14 sykehus, både landlige og akademiske i fire forskjellige land (Nederland, Italia, Belgia, Australia). Omtrent 189 pasienter (7,6 %) utviklet kolorektal anastomotisk lekkasje. Modellene spådde risiko for kolorektal anastomotisk lekkasje intraoperativt, rett før konstruksjonen av anastomosen, ved bruk av totalt 31 variabler. Disse variablene inneholder både preoperativt tilgjengelige data og variablene vedrørende den intraoperative tilstanden til pasienten. Modellene ble internt validert ved bruk av 10 ganger kryssvalidering og deretter testet på 20 % av usett data i databasen. Arealet under kurven - mottakerdriftsegenskaper (AUROC) for den best presterende maskinlæringsmodellen på testsettet var 0,84, med en sensitivitet på 0,86, spesifisitet på 0,78, en positiv prediktiv verdi på 0,24 og en negativ prediktiv verdi på 0,99.

I løpet av denne prospektive simuleringsstudien er det ingen direkte fordeler eller risiko for deltakende pasienter. Denne prospektive simuleringsstudien vil være ikke-intervensjonell, prediksjonsmodellene endrer ikke den opprinnelige daglige praksisen, og i denne fasen er den ikke ment å brukes som en diagnostisk enhet. Intraoperativt, rett før konstruksjonen av anastomosen, vil prediksjonsmodellen predikere, ved å bruke pasient-, tumor- og intraoperative variabler (oppført i avsnittet Data Dictionary), sannsynligheten for anastomotisk lekkasje. SAS VIYA brukes til utbygging av maskinlæringsmodellen. Under den prospektive simuleringsstudien er poengsummene til disse spådommene kun tilgjengelige for prinsipp- og forskningsetterforskerne, og dermed ukjente for de deltakende sykehusene eller operasjonskirurgene for å forhindre innflytelse på dagens daglige praksis i dette stadiet av forskningen. Tretti dager postoperativt vil data fra pasientene angående forekomst av anastomotisk lekkasje bli samlet inn. AUROC, sensitivitet, spesifisitet og nøyaktighet vil da bli beregnet basert på antall pasienter vurdert som sann positive, sann negative, falsk positive eller falsk negative. Etter minimum 100 hendelser og 100 ikke-hendelser, er den eksterne valideringen fullført og de endelige AUROC-, sensitivitets- og spesifisitetsskårene vil bli presentert.

Kvalitetssikringsplan, datasjekker, kildedataverifisering Data vil bli behandlet konfidensielt og anonymt. Data vil bli pseudo-anonymisert for hovedetterforskeren og forskningsutforskerne. Pseudo-anonymiserte data legges inn i en Castor-database. En dataordbok er knyttet til det originale datasettet med metadata for å beskrive dataene. Alle deltakende sykehus har en datadelingsavtale for å trygt dele data fra inkluderte pasienter med hovedetterforskeren og forskningsutforskerne. En datahåndteringsplan vil bli opprettet i henhold til instituttets retningslinjer med bistand fra en datahåndteringsekspert, sammen med den transparente rapporteringen av en multivariabel prediksjonsmodell for retningslinjer for individuell prognose eller diagnose (TRIPOD). Egenskapene til de innsamlede og genererte dataene er kliniske data hentet fra de elektroniske helsejournalene. Denne inneholder kontinuerlige, nominelle og dikotome variabler. Data vil ikke bli gjenbrukt eller koblet til eksisterende data. Informert samtykke fra pasienter er nødvendig for å forutsi utfallet ved hjelp av den utviklede modellen. Personvernregler og lover gjelder for dette prosjektet. Prosjektet vil også følge alle databeskyttelsesprinsipper som er definert i den generelle databeskyttelsesforordningen. Det anonymiserte datasettet kan nås via en Castor-database. Langtidsdata vil bli lagret i Amsterdam UMC-depotet ved hjelp av forskningsdataadministrasjonsavdelingen (RDM). Dataene vil bli lagret i fem år etter at prosjektet er avsluttet.

Dataordbok

Følgende variabler vil bli samlet inn fra inkluderte pasienter:

Jeg. Pasient- og tumorkarakteristikker Alder; kjønn; kroppsmasseindeks; American Society of Anesthesiologists (ASA) klassifisering; rus (røyking og/eller alkoholforbruk); medisinsk historie med diabetes; steroidbruk (ikke nasal); hemoglobin; godartet eller ondartet sykdom. Ved malign sykdom: TNM-stadium, tumoravstand fra analkant, neoadjuvant behandling.

ii. Perioperative egenskaper Kirurgisk prosedyre, kirurgisk tilnærming; omdannelse; forekomst av intraoperativ hendelse (hypoksiske hendelser, hyperkarbi, bradykardi, hypotensjon, emboli, reanimasjon, mer omfattende reseksjon enn planlagt, serosalesjoner, blære- og ureterskader, intraoperativ blødning, splenektomi) iii. Kjennetegn like før anastomosen ble opprettet Pasienttemperatur; tidspunkt for administrering av antibiotika; administrering av vasopressorer; blodtap; O2-metning; gjennomsnittlig arterielt trykk; væskeadministrasjon; urin produksjon; tilstedeværelse av fekal forurensning; subjektiv vurdering av lokal perfusjon; epidural analgesi; dørbevegelser; tid fra snittet til anastomosen dannes, intensjon om å lage stomi.

iv. Postoperative karakteristika Kolorektal anastomotisk lekkasje innen 30 dager og lengden på sykehusoppholdet.

Standard operasjonsprosedyrer Pasienter som er kvalifisert for inkludering oppdages i det første tverrfaglige teammøtet. Hvis kvalifisert, vil kirurgen informere og diskutere denne studien med pasienten i den preoperative konsultasjonen for operasjon. Dersom pasienten samtykker til deltakelse, kreves skriftlig informert samtykke. Pasienten kan når som helst trekke tilbake dette samtykket.

Prøvestørrelsesberegning I de deltakende sykehusene utføres det årlig rundt 100 til 400 kolorektale reseksjoner, med en omtrentlig forekomst av anastomotisk lekkasje på 5 til 15 %. Flere studier viste minimum 100 hendelser og 100 ikke-hendelser som en passende utvalgsstørrelse for ekstern validering. Med en forventet total på 1200 pasienter inkludert årlig og en lekkasjeprosent på rundt 10 %, inkludert 100 hendelser tar det omtrent ett til to år.

Håndtering av manglende data Maskinlæringsmodellen vil gi en prediksjon hos pasienter med mer enn 80 % av de nødvendige dataene tilgjengelig. Manglende data beregnes ved å bruke prediktiv gjennomsnittsmatching med ti iterasjoner.

Statistisk analyseplan Den eksterne valideringen vil bli utført på minst 100 hendelser (anastomotisk lekkasje) og 100 ikke-hendelser (ingen anastomotisk lekkasje). Maskinlæringsmodellen med best prediktiv ytelse når det gjelder AUROC vil bli brukt som implementeringsmodell. Kolorektal anastomotisk lekkasjerate vil bli sammenlignet i en multivariat logistisk regresjonsmodell. Alle analyser vil bli utført under tilsyn av en klinisk epidemiolog.