ZAPOBIEGANIE POSTOPERATYWNYM POWIKŁANIOM PŁUCNYM POPRZEZ PODEJŚCIE Z POMOCĄ UCZENIA MASZYNOWEGO (PEPPERMINT)

Częstość występowania pooperacyjnych powikłań płucnych (POPC) szacuje się na 9-40%, w zależności od zabiegu chirurgicznego. Znane są różne przedoperacyjne czynniki ryzyka, ale zwykle nie można ich modyfikować. Głównym problemem starszych publikacji był brak jasnej definicji parametru końcowego „powikłania płucne”. Dopiero w 2018 roku w ramach współpracy Standardized Endpoints for Perioperative Medicine (StEP) opracowano znormalizowaną definicję [1]. Ze względu na duże znaczenie kliniczne – POPC są główną przyczyną zachorowalności i śmiertelności pooperacyjnej – opracowano kliniczne systemy punktacji do przedoperacyjnego przewidywania POPC, jednak ich jakość predykcyjna wciąż wymaga poprawy [2]. Obecnie najlepiej oceniana skala do przewidywania pooperacyjnych powikłań płucnych (ARISCAT: Assess Respiratory Risk in Surgical Pacjentów w Katalonii) ma wystarczającą czułość, ale brakuje jej swoistości [3]. Dlatego testowane są również metody uczenia maszynowego do określania ryzyka z rutynowych danych przedoperacyjnych [4].

Sonografia zyskuje coraz większe znaczenie jako nieinwazyjna metoda badania, którą można wykonać przy łóżku chorego. Opracowano już różne skale i modele ultrasonograficzne do przewidywania powikłań płucnych [5]. W diagnostyce ultrasonograficznej coraz częściej wykorzystuje się również metody przetwarzania obrazu oraz uczenie maszynowe, w szczególności uczenie głębokie [6,7]. Połączenie rutynowych danych klinicznych i danych obrazowych w celu opracowania algorytmu uczenia maszynowego nie zostało jeszcze przetestowane. Jednak rozszerzone algorytmy wykorzystujące przed- i śródoperacyjne informacje kliniczne oprócz obrazowania ultrasonograficznego obiecują lepszą dokładność predykcyjną niż odpowiednie metody indywidualne. Ponadto do tej pory brakuje prospektywnej oceny klinicznej modeli przewidywania opartych na algorytmach uczenia maszynowego, chociaż wykazują one dobre wartości „obszaru pod charakterystyką działania odbiornika” (AUROC), dokładności i precyzji w odpowiednich zestawach danych testowych i walidacyjnych, które są rozważali wspólne miary jakości predykcyjnej takich modeli [4].

Środki zapobiegania POPC są znane [8], ale prawdopodobnie nie są konsekwentnie stosowane w praktyce klinicznej ze względu na zwiększone zapotrzebowanie, zwłaszcza na zasoby ludzkie. Dlatego naszym celem jest identyfikacja pacjentów zagrożonych POPC na podstawie algorytmu uczenia maszynowego.

Wszyscy pacjenci przechodzą ten sam protokół badania w celu opracowania modelu uczenia maszynowego. Okołooperacyjne rutynowe dane kliniczne będą oceniane zgodnie ze standardem. Po operacji na sali wybudzeń zostanie wykonane wystandaryzowane badanie ultrasonograficzne płuc. Pacjenci będą następnie odwiedzani na oddziale w 1., 3. i 7. dniu po operacji w celu przeprowadzenia badania klinicznego w celu wykrycia POPC zgodnie z kryteriami opracowanymi we współpracy StEP.

Według naszej kalkulacji liczby przypadków, uwzględnimy 512 dorosłych pacjentów poddawanych planowym zabiegom chirurgicznym w znieczuleniu ogólnym. Rutynowe dane okołooperacyjne będą oceniane i przechowywane w wewnętrznej bazie danych szpitala, jak również dane z pooperacyjnego badania klinicznego. Dane obrazowe z ultrasonografii płuc zostaną zarchiwizowane w systemie PACS do dalszego przetwarzania. Na podstawie zebranych danych algorytm uczenia maszynowego oparty na sieciach neuronowych zostanie przeszkolony w przewidywaniu POPC. Model jest tworzony z anonimowych danych przy użyciu zorientowanego na statystyki języka programowania R i frameworka TensorFlow, biblioteki oprogramowania do głębokiego uczenia opartej na języku programowania Python. Jakość predykcji utworzonego modelu predykcyjnego jest oceniana za pomocą pola pod charakterystyką operatora odbiornika (AUROC) oraz pola pod krzywą precyzji odtwarzania (AUPRC) i porównywana z wartościami wyniku ARISCAT, wspólnego wyniku do oszacowania ryzyko POPC.

Dokładna ocena ryzyka za pomocą rozszerzonego algorytmu uczenia maszynowego, który wykorzystuje rutynę kliniczną oraz dane obrazowe, ma ogromny potencjał w zakresie poprawy wyników leczenia pacjentów, a także może pomóc w obniżeniu kosztów opieki zdrowotnej.

1. Abbott, TEF, Fowler, AJ, Pelosi, P., Gama de Abreu, M., Møller, AM, Canet, J., Craegh-Brown, B., Mythen, M., Gin, T., Lalu, MM, Futier, E., Grocott, MP, Schultz, MJ, Pearse, RM, StEP-COMPAC Group (2018) Przegląd systematyczny i definicje konsensusu dla standaryzowanych punktów końcowych w medycynie okołooperacyjnej: powikłania płucne. Br J Anaesth, 120(5) 1066-1079.
2. Piłka, L. i Pelosi, P. (2016). Predyktywne wyniki dla pooperacyjnych powikłań płucnych: czas przejść do praktyki klinicznej. Minerva Anestesiol, 82(3) 265-267.
3. Nithiuthai, J., Siriussawakul, A., Junkai, R., Horugsa, N., Jarungjitaree, S., Triyasunant, N. (2021). Czy wyniki ARISCAT pomagają przewidzieć częstość występowania pooperacyjnych powikłań płucnych u pacjentów w podeszłym wieku po operacjach w górnej części jamy brzusznej? Badanie obserwacyjne w jednym szpitalu uniwersyteckim. Perioper Med (Londyn), 10(1) 43.
4. Xue, B., Li, D., Lu, C., King, CR, Wildes, T., Avidan, MS, Kannampallil, T., Abraham, J. (2021) Wykorzystanie uczenia maszynowego do opracowywania i oceny modeli za pomocą Dane przedoperacyjne i śródoperacyjne w celu identyfikacji ryzyka powikłań pooperacyjnych. Jama Network Open, 4(3).
5. Szabo, M., Bozó, A., Darvas, K., Soós, S., Özsem M., Iványi, Z.D. (2021) Rola oceny ultrasonograficznej aeracji płuc w przewidywaniu pooperacyjnych powikłań płucnych: badanie obserwacyjne. BMC Anestezjol, 21(1) 19.
6. van Sloun, R.J.G. i Demi, L. (2020) Lokalizacja linii B w ultrasonografii płuc przez słabo nadzorowane głębokie uczenie się, wyniki in vivo. 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 Ansthetic Research Group) (2022) Analiza tekstury drugiego rzędu w skali szarości obrazów ultrasonograficznych opłucnej w celu rozróżnienia zespołu ostrej niewydolności oddechowej i kardiogenny obrzęk płuc. J Clin Monit Comput, 36(1) 131-140.
8. Miskovic, A. i Lumb, A.B. (2017). Powikłania płucne po operacji. Br J Anaesth, 118(3), 317-334.