PREVENINDO COMPLICAÇÕES PULMONARES PÓS-OPERATÓRIAS, ESTABELECENDO UMA ABORDAGEM ASSISTIDA POR APRENDIZAGEM MÁQUINA (PEPPERMINT)

A incidência de complicações pulmonares pós-operatórias (POPC) é relatada em 9-40%, dependendo do procedimento cirúrgico. Vários fatores de risco pré-operatórios são conhecidos, mas geralmente não podem ser modificados. Um grande problema das publicações mais antigas foi que por muito tempo não existiu uma definição clara do parâmetro de desfecho "complicação pulmonar". Não foi até 2018 que uma definição padronizada foi desenvolvida pela colaboração Padronizada Endpoints for Perioperative Medicine (StEP) [1]. Devido à alta relevância clínica - os POPC são a principal causa de morbimortalidade pós-operatória - foram desenvolvidos sistemas de pontuação clínica para predição pré-operatória de POPC, mas sua qualidade preditiva ainda precisa ser melhorada [2]. O escore atualmente melhor avaliado para prever complicações pulmonares pós-operatórias (ARISCAT: Avalie o Risco Respiratório em Pacientes Cirúrgicos na Catalunha) tem sensibilidade suficiente, mas carece de especificidade [3]. Portanto, métodos de aprendizado de máquina para determinar o risco de dados de rotina pré-operatórios também estão sendo testados [4].

A ultrassonografia está se tornando cada vez mais importante como um método de exame não invasivo que pode ser realizado à beira do leito. Vários escores e modelos ultrassonográficos já foram desenvolvidos para prever complicações pulmonares [5]. Métodos de processamento de imagem e aprendizado de máquina, em particular aprendizado profundo, também estão sendo cada vez mais usados ​​em diagnósticos de ultrassom [6,7]. Uma combinação de dados clínicos de rotina e dados de imagem para desenvolver um algoritmo de aprendizado de máquina ainda não foi testada. No entanto, algoritmos aprimorados usando informações clínicas pré e intraoperatórias, além de imagens de ultrassom, prometem melhor precisão preditiva do que os respectivos métodos individuais. Além disso, a avaliação clínica prospectiva de modelos de previsão baseados em algoritmos de aprendizado de máquina é inexistente até o momento, embora eles mostrem bons valores para "área sob a característica operacional do receptor" (AUROC), exatidão e precisão nos respectivos conjuntos de dados de teste e validação, que são consideraram medidas comuns da qualidade preditiva de tais modelos [4].

Medidas para a prevenção de POPC são conhecidas [8], mas provavelmente não são aplicadas de forma consistente na rotina clínica devido ao aumento da demanda, principalmente de recursos humanos. Portanto, nosso objetivo é identificar pacientes em risco de POPC com base em um algoritmo de aprendizado de máquina.

Todos os pacientes estão passando pelo mesmo protocolo de estudo para desenvolver o modelo de aprendizado de máquina. Os dados da rotina clínica perioperatória serão avaliados conforme o padrão. No pós-operatório, uma ultrassonografia pulmonar padronizada será realizada na sala de recuperação. Os pacientes serão então visitados na enfermaria no 1º, 3º e 7º dias de pós-operatório para exame clínico para detectar POPC de acordo com os critérios elaborados pela colaboração StEP.

De acordo com nosso cálculo do número de casos, incluiremos 512 pacientes adultos submetidos a procedimentos cirúrgicos eletivos sob anestesia geral. Os dados da rotina perioperatória serão avaliados e armazenados em um banco de dados interno do hospital, assim como os dados do exame clínico pós-operatório. Os dados de imagem da ultrassonografia pulmonar serão arquivados no PACS para processamento posterior. Com base nos dados coletados, um algoritmo de aprendizado de máquina baseado em redes neurais será treinado para prever o POPC. O modelo é criado com os dados anônimos usando a linguagem de programação orientada a estatísticas R e o framework TensorFlow, uma biblioteca de software de aprendizagem profunda baseada na linguagem de programação Python. A qualidade da previsão do modelo de previsão criado é avaliada usando a área sob as características do operador receptor (AUROC), bem como a área sob a curva de recuperação de precisão (AUPRC) e comparada com os valores da pontuação ARISCAT, uma pontuação comum para estimar o risco de POPC.

A avaliação precisa do risco por meio de um algoritmo de aprendizado de máquina aprimorado que usa rotina clínica e dados de imagem tem grande potencial para melhorar os resultados dos pacientes e também pode ajudar a reduzir os custos com assistência médica.

1. Abbott, T.E.F., Fowler, A.J., Pelosi, P., Gama de Abreu, M., Møller, A.M., Canet, J., Craegh-Brown, B., Mythen, M., Gin, T., Lalu, M.M., Futier, E., Grocott, MP, Schultz, MJ, Pearse, R.M., StEP-COMPAC Group (2018) Uma revisão sistemática e definições de consenso para pontos finais padronizados em medicina perioperatória: complicações pulmonares. Br J Anaesth, 120(5) 1066-1079.
2. Ball, L. e Pelosi, P. (2016). Escores preditivos para complicações pulmonares pós-operatórias: hora de avançar para a prática clínica. Minerva Anestesiol, 82(3) 265-267.
3. Nithiuthai, J., Siriussawakul, A., Junkai, R., Horugsa, N., Jarungjitaree, S., Triyasunant, N. (2021). Os escores ARISCAT ajudam a prever a incidência de complicações pulmonares pós-operatórias em pacientes idosos após cirurgia abdominal alta? Estudo observacional em um único hospital universitário. Perioper Med (Londres), 10(1) 43.
4. Xue, B., Li, D., Lu, C., King, C.R., Wildes, T., Avidan, M.S., Kannampallil, T., Abraham, J. (2021) Uso de aprendizado de máquina para desenvolver e avaliar modelos usando Dados pré-operatórios e intraoperatórios para identificar riscos de complicações pós-operatórias. Jama Network Open, 4(3).
5. Szabo, M., Bozó, A., Darvas, K., Soós, S., Özsem M., Iványi, Z.D. (2021) O papel do escore ultrassonográfico de aeração pulmonar na previsão de complicações pulmonares pós-operatórias: um estudo observacional. BMC Anestesiol, 21(1) 19.
6. van Sloun, R.J.G. e Demi, L. (2020) Localizing B-Lines in Lung Ultrasonography by Weakly Supervised Deep Learning, In-Vivo Results. IEEE J Biomed Health Informa, 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 Anesthesia Research Group) (2022) Análise de textura em escala de cinza de segunda ordem de imagens de ultrassom pleural para diferenciar a síndrome do desconforto respiratório agudo e edema pulmonar cardiogênico. J Clin Monit Comput, 36(1) 131-140.
8. Miskovic, A. e Lumb, A.B. (2017). Complicações pulmonares pós-operatórias. Br J Anaesth, 118(3), 317-334.