Oppretting, implementering og validering av intra- og postoperative risikoprediksjonsmodeller

En trefasestudie er designet:

1. fase: Utledning og intern validering av den prediktive modellen ved hjelp av en reprospektiv kohortstudie der pasienter ble operert ved Galdakao-Usansolo Hospital (HGU), Urduliz Hospital (HU), Basurto University Hospital (HUB), Donostia University Hospital ( HUD) og Araba University Hospital (HUA) vil bli rekruttert. Hospital universitario de Donostia (HUD) og Hospital universitario de Araba (HUA) over XXX år og data vil bli innhentet fra den preoperative perioden til måneden for utskrivning fra operasjonen. For identifisering og opprettelse av disse modellene vil maskinlæringsteknikker bli brukt med hovedformålet å identifisere variabler som ikke er beskrevet i litteraturen. Maskinlæring er den viktigste grenen av kunstig intelligens. Innen maskinlæring er veiledet læring det mest brukte området. Overvåket læring lar datamaskiner lære å utføre oppgaver ved å oppdage og utnytte komplekse mønstre i store datamengder. I det spesifikke tilfellet med data fra elektroniske journaler, lar maskinlæringsalgoritmer oss bruke de historiske dataene til hver pasient slik at datamaskinen lærer å forutse fremtidige hendelser på en personlig måte.
2. nd fase: Ekstern validering av modellene laget i første fase i et kohort pasienter operert i 2020 i de samme sentrene. Metodikken foreslått av Debray et al. vil bli brukt.
3. rd fase: Evaluering av resultater etter implementering av modellene i EPJ til Galdakao-Usansolo Hospital i form av en "Handlingsguide". Basert på risikostratifiseringen utført i de foregående fasene, vil anestesiavdelingen lage anbefalinger til tiltak etter risikonivå. Prosentandelen av dødelighet og intra- og postoperative komplikasjoner vil bli sammenlignet ved hjelp av en kvasi-eksperimentell intervensjonsstudie, som sammenligner resultatene fra HGU-sykehuset hvor risikoskalaen og de påfølgende anbefalingene vil bli implementert, før og etter implementeringen, og også sammenligne dem med prosentandelen av pasienter som blir kompliserte og/eller dør i HU, HUB, HUD og HUA, hvor vanlig klinisk praksis vil bli fulgt, basert på ASA-skalaen. Denne prospektive kohorten, når risikoskalaen er implementert, vil også bli brukt til ekstern validering (2020-2021).

Sosiodemografiske og kliniske variabler (hoveddiagnose, komorbiditeter, behandlinger, tidligere intervensjoner, intraoperative data, postoperative data, prosedyrer utført under sykehusinnleggelse og komplikasjoner inntil en måned etter sykehusutskrivning) og laboratorieparametre vil bli samlet inn.

Denne informasjonen vil bli hentet fra osabides globale datautnyttelsessystem, Oracle Business Intelligence, og laboratoriedataene vil bli hentet ut fra informasjonssystemene til de kliniske laboratoriene til de involverte sentrene.