Maskinlæring for evaluering av tilbakefallsrisiko ved akutt biliær pankreatitt. (MINERVA)

Akutt pankreatitt er den vanligste bukspyttkjertelsykdommen, med en global forekomst på 34 tilfeller per 100 000 individer. Denne sykdommen teller mer enn 1,5 millioner nye pasienter per år på verdensbasis, med en dødelighet som nærmer seg 1 %. Pasienter med mild biliær akutt pankreatitt, ved innleggelse på sykehus, kan behandles med indeks, tidlig kolecystektomi (innen 3 til 7 dager fra den akutte episoden) eller konservativt. Mens konservativ behandling kan være resolutiv, får opptil 35 % av disse pasientene tilbakefall innen 30 dager, og krever akuttkirurgi i en betydelig verre generell pasienttilstand, noe som reduserer sjansene for suksess. Bortsett fra det, øker tilbakefall dramatisk sjansene for kronisk pankreatitt, kreft i bukspyttkjertelen, postoperative komplikasjoner og total dødelighet. Tilbakefallsepisoder har også en økonomisk innvirkning på helsetjenester, ettersom en andre og lengre sykehusinnleggelse per pasient øker den totale medisinske kostnaden per pasient med minst 100 %. Foreløpig er det imidlertid ingen standardiserte metoder for å forutsi tilbakefall av biliær akutt pankreatitt hos pasienter som ikke gjennomgikk tidlig kolecystektomi etter den første episoden med mild biliær akutt pankreatitt.

MINERVA-prosjektet (Machine Learning for the Relapse Risk eValuation in Acute biliary pancreatitis) stammer fra behovet i den kliniske praksisen for å ta en operasjonsbeslutning hos pasienter som er innlagt på sykehus med diagnosen mild akutt biliær pankreatitt.

MINERVA-prosjektet har som mål å nå følgende mål og resultater:

1. Foreslå en ny metodikk for vurdering av risikoen for tilbakefall hos pasienter med mild biliær akutt pankreatitt som ikke gjennomgikk tidlig kolecystektomi etter den første episoden av mild biliær akutt pankreatitt;
2. Foreslå en maskinlæringsprediktiv modell som bruker en Deep Learning-arkitektur brukt på data som er lett å samle inn fra pasienter;
3. Validere MINERVA-poengsummen på en omfattende, multisentrisk, potensiell kohort;
4. La nasjonale og internasjonale klinikere, medisinsk personell, forskere og det generelle publikum fritt og enkelt få tilgang til MINERVA-poengberegningen og bruke den i deres daglige kliniske praksis.

MINERVA-skåren vil gi klinikerne en validert og standardisert vurdering av tilbakefallsrisiko som tar hensyn til den personlige historien, demografiske data og laboratoriekarakteristikker til hver pasient. MINERVA-poengsummen vil være gratis og lett å beregne umiddelbart for alle medisinske ansatte; den vil være tilgjengelig når som helst på MINERVAs nettside og nettapp, og vil gi et umiddelbart og pålitelig resultat som kan være en klar indikasjon på den beste behandlingsveien for klinikeren og for pasienten.

MINERVA-scoremodellen vil bli utviklet på en retrospektiv kohort av pasienter (MANCTRA-1, allerede registrert i ClinicalTrials.gov) og vil bli validert på en ny potensiell multisentrisk kohort.

Retrospektiv kohort Modellutviklingen og innledende opplæring vil bli utført på en retrospektiv kohort av pasienter (n=692) samlet inn under en foreløpig multisentrisk studie, MANCTRA-1-studien (godkjent av etikkkomiteen ved University of Cagliari Hospital, MANCTRA-1 - NCT04747990, Prot. PG/2021/7108) utført av PI (Dr. Mauro Podda) og University of Cagliari lokalt ansvarlig for MINERVA-prosjektet.

Prospektiv kohort Totalt 430 pasienter vil bli rekruttert i den prospektive kohorten av MINERVA-studien.

Metoder MINERVA-skåren vil være basert på en maskinlæringsmodell som vil bli utviklet og trent på en retrospektiv kohort og validert på en potensiell kohort av pasienter.

Alle modellvariabler vil bli behandlet med kernel Principal Component Analysis (kPCA).

Det konvekse skroget til spredningsplottet til hovedkomponentene vil bli beregnet og det minste rektangelet vil bli trukket ut. Rektangelet vil bli transformert til et 2d-bilde med en fast oppløsning ved bruk av funksjonsgjennomsnitt og normalisering.

Modellen vil bli utviklet ved Universitetet i Napoli Federico II av Dr. Daniela Pacella med maskinlæringsekspertise og veiledning.

For å forhindre overtilpasning vil datasettet deles inn i treningssett, testsett og valideringssett. I tillegg vil k-fold kryssvalidering bli brukt. Ytelsen til MINERVA-modellen vil bli evaluert ved å bruke de mest vedtatte målene for nøyaktighet, som presisjon, tilbakekalling og AUC (Area Under the ROC Curve). I tillegg vil ytelsen sammenlignes med den som oppnås ved bruk av tradisjonelle maskinlæringsmetoder (SVM, ANN). Manglende data vil bli håndtert med imputeringsmetoder.

Variabler Alder (År) Kjønn (Mann:Kvinne) Tidligere episoder med biliær pankreatitt (Ja; Nei) Innleggelsesspesialist (HepatoPancreatoGallekirurgi, Generell kirurgi, Indremedisin, Gastroenterologi) Kroppsmasseindeks -BMI- (Kg/m2) Klinisk historie med diabetes (Ingen diabetes; Ja med organdysfunksjon; Ja uten organdysfunksjon) Klinisk historie med kronisk lungesykdom (Ja; Nei) Klinisk historie med hypertensjon (Ja; Nei) Klinisk historie med atrieflimmer (Ja; Nei) Klinisk historie med iskemisk hjertesykdom (Ja; Nei) Klinisk historie med kronisk nyresykdom (Nei; Ja under medisiner; Ja i permanent nyreerstatningsterapi eller som forberedelse til det) Klinisk historie med sykdommer i det hematopoetiske systemet (Ja; Nei) Pasient på immunsuppressive medisiner på sykehus innleggelse (Ja; Nei) Hvite blodlegemer -WBC- (celler/mm3) Nøytrofiler (celler/mm3) Blodplater (Plt/mm3) INR (International Normalized Ratio) C-reaktivt protein -CRP- (mg/L) Aspartataminotransferase - AST- (U/L) Alaninaminotransferase -ALT- (U/L) Total bilirubin (mg/dL) Konjugert bilirubin (mg/dL) Gamma-glutamil-transpeptidase -GGT- (U/L) Serumamylase (U/L) ) Serumlipase (U/L) Laktatdehydrogenase -LDH- (U/L) Choledocholithiasis (Ja; Ja med vanlig gallegangobstruksjon; Nei) Kolangitt (Ja; Nei) ERCP med sphincterotomi (Ja innen 24 timer fra sykehusinnleggelse; Ja innen 24-48 timer fra sykehusinnleggelse; Ja innen 48-72 timer fra sykehusinnleggelse; Nei) Akutt tilbakefall av gallepankreatitt ved 30 dager, 60- dag, 90 dager, 1 år.