Sammenligning av tradisjonelle risikoscorer og en KI-basert multimodal modell for å forutsi hjerte-karhendelser etter gastrointestinal kirurgi (GI-MACE-AI)

Store kardiovaskulære hendelser etter gastrointestinal kirurgi forblir en viktig årsak til tidlige postoperativ komplikasjoner og dårlige utfall. Tradisjonelle perioperative kardiovaskulære risikoskårer, inkludert Revised Cardiac Risk Index (RCRI), American College of Surgeons National Surgical Quality Improvement Program Myocardial Infarction or Cardiac Arrest calculator (ACS NSQIP MICA), og ACS NSQIP Surgical Risk Calculator (ACS NSQIP SRC), er mye brukt i klinisk praksis. Imidlertid kan deres ytelse være begrenset i spesifikke kirurgiske populasjoner og kan ikke fullstendig fange komplekse interaksjoner mellom kliniske, laboratorie-, fysiologiske og prosedyrevariabler.

Denne observasjonsstudien har som mål å utvikle og evaluere en kunstig intelligens (AI)-basert multimodal modell for å predikere store kardiovaskulære hendelser innen 30 dager etter gastrointestinal kirurgi og sammenligne dens prediktive ytelse med tradisjonelle risikoskårer. Studien vil bli gjennomført ved Bach Mai-sykehuset og vil inkludere voksne pasienter som gjennomgår gastrointestinal kirurgi. Studien bruker et blandet retrospektivt-prospektivt design, med retrospektiv datainnsamling fra pasienter behandlet i 2025 og prospektiv datainnsamling i 2026.

Det kliniske utfallsmålet for prediksjon er forekomsten av store kardiovaskulære hendelser innen 30 dager etter operasjon. Disse hendelsene inkluderer kardiovaskulær død, ikke-dødelig hjerteinfarkt, hjertestans med tilbakekomst av spontan sirkulasjon, ny hjerneslag, og klinisk signifikante arytmier som krever behandling. Data brukt for modellutvikling og sammenligning kan inkludere demografiske egenskaper, medisinsk historie, kardiovaskulære komorbiditeter, kirurgiske egenskaper, anestesiinformasjon, preoperativ laboratorieresultater, elektrokardiografiske funn, biomarkører når tilgjengelig, og funksjonelle eller risikovurderingsvariabler.

Hovedutfallsmålet i studien er diskrimineringsytelsen til den AI-baserte multimodale modellen sammenlignet med tradisjonelle risikoskårer, målt ved arealet under mottakeroperasjonskarakteristikkkurven for prediksjon av 30-dagers store kardiovaskulære hendelser etter gastrointestinal kirurgi. Sekundære utfallsmål inkluderer kalibreringsytelse, netto reklassifiseringsforbedring, og integrert diskriminasjonsforbedring av den AI-baserte multimodale modellen sammenlignet med tradisjonelle risikoskårer, inkludert RCRI, ACS NSQIP MICA, og ACS NSQIP SRC.

Studien er observasjonsbasert og vil ikke endre rutinemessig perioperativ behandling. Data vil bli hentet fra eksisterende medisinske journaler og prospektiv klinisk innsamling, kodet for konfidensialitet, og analysert for å støtte risikostratifisering og modellsammenligning i pasienter som gjennomgår gastrointestinal kirurgi.