Plataformas de aprendizado de máquina para prever mortalidade em 30 dias após laparotomia de emergência

A laparotomia de emergência (EL) é um procedimento comumente realizado e uma cirurgia de alto risco que é conhecida por ter uma alta taxa de mortalidade e morbidade. Apesar de várias auditorias e estudos para identificar os fatores de risco e introduzir protocolos visando melhorar os resultados cirúrgicos, a mortalidade em curto prazo após EL permanece alta. Dados mundiais demonstram que a mortalidade em curto prazo (30 dias) varia entre 5,3-21,8%, e as taxas de mortalidade a longo prazo (1 ano) variam entre 15-47% (Ref 1). Pacientes mais velhos foram identificados como o subgrupo que sofre de taxas de mortalidade mais altas, e esforços implementados em pacientes mais velhos submetidos a EL, incluindo: o uso de calculadoras de risco para previsão de mortalidade, aumento de informações perioperatórias de geriatras e cuidados intensivos, cirurgião consultor superior e presença de anestesista na sala de cirurgia e introdução de caminhos de cuidados aprimorados. Além da idade e da opinião do especialista, outros fatores de risco para mortalidade após EL incluem: fragilidade, duração da cirurgia, cirurgia relacionada ao câncer, cuidados com o estoma, seleção do paciente, sepse pré-operatória e parâmetros fisiológicos, comorbidades pré-existentes, estado ASA (Ref 2 ).

Os modelos de previsão de mortalidade atualmente em uso clínico para EL incluem o Portsmouth-Physiologic and Operative Severity Score para a enumeração de mortalidade e morbidade (P-POSSUM), Acute Physiology and Chronic Health Evaluation II (APACHE-II), American College of Surgeons National Surgical Quality Improvement (ACS-NSQIP) e a adição mais recente da calculadora de risco (NELA). A Auditoria Nacional de Laparotomia de Emergência (NELA) realizada no Reino Unido desde 2012 tem sido uma mudança de paradigma na melhoria baseada em evidências para pacientes submetidos a EL, demonstrando uma redução na taxa nacional de mortalidade em 30 dias (11,8% vs.8,7% em 2012 vs. 2012) após identificação e implementação de recomendações específicas (Ref 3).

Usando os dados da grande coorte NELA UK entre 2014-2016, a ferramenta de cálculo de risco NELA foi desenvolvida para estimar a mortalidade em 30 dias e leva em consideração dados demográficos do paciente, estado ASA, parâmetros fisiológicos, sinais vitais e detalhes sobre gravidade e natureza de intervenção cirúrgica. Vários estudos no Reino Unido, Austrália e Cingapura mostraram que a calculadora de risco NELA é comparável, se não superior, ao P-POSSUM para previsão de mortalidade e estratificação de risco para diferenciar entre pacientes de baixo e alto risco submetidos a EL (Ref 5, 6, 7) . No entanto, nenhuma pontuação de risco é perfeita. O modelo de risco NELA demonstrou subestimar e o P-POSSUM superestimar a mortalidade observada (Ref 8). Desde a sua introdução, o NELA foi pioneiro no desenvolvimento de intervenções baseadas em evidências e orientações para pesquisas futuras em pacientes submetidos a EL, mas sua implementação em Hong Kong foi limitada pela falta de validação de precisão em nossa população de pacientes.

A fragilidade é definida como: uma medida objetiva de vulnerabilidade aumentada e reserva fisiológica diminuída, resultando em acúmulo de déficits fisiológicos em múltiplos sistemas, e pode ocorrer em pacientes de todas as idades, mas ocorre mais comumente em pacientes mais velhos. A fragilidade é um fator de risco bem conhecido para resultados cirúrgicos ruins em EL (Ref 9, 10), mas ainda não foi incorporado às calculadoras de risco comumente usadas. Existem muitas pontuações de risco e índices substitutos para fragilidade, sarcopenia e osteopenia. O escore clínico de fragilidade (CFS) é o índice mais comumente usado para fragilidade, e o CFS sozinho demonstrou fornecer informações prognósticas para pacientes submetidos a EL, mas ainda com baixo desempenho em comparação com NELA. Curiosamente, a adição de CFS ao NELA não aumentou a precisão da previsão do modelo de risco (Ref 11).

A aplicação de aprendizado profundo e aprendizado de máquina está ganhando força e tem sido usada para desenvolver vários modelos de previsão de risco e previsão de eventos futuros (Ref 4). O acúmulo de vastos conjuntos de dados de registros anestésicos pode revelar-se um tesouro para os cientistas de dados descobrirem novas tendências e previsões que anteriormente seriam negligenciadas. As calculadoras de risco são ferramentas úteis para os médicos auxiliarem na tomada de decisões clínicas, mas a precisão e a validação dessas calculadoras de risco não foram feitas nesta área. Usando algoritmos de aprendizado de máquina e incorporação de fragilidade em calculadoras de risco, esperamos desenvolver um novo algoritmo com alta precisão e generalização, para ser introduzido no uso clínico.

Referências:

1. (Ref 1: Ng et. al, resultados de um ano após laparotomia de emergência: uma revisão sistemática, World J Surg, 2022, https://pubmed.ncbi.nlm.nih.gov/34837122/)
2. (Ref 2: (Ref: Boyd-Carson et al, Uma revisão dos fatores cirúrgicos e perii-operatórios a serem considerados nos cuidados de laparotomia de emergência, 2020, Anestesia, https://pubmed.ncbi.nlm.nih.gov/31903572/)
3. (Ref 3: Equipe do Projeto NELA. Sétimo Relatório do Paciente da Auditoria Nacional de Laparotomia de Emergência RCoA Londres 2021)
4. (Ref 4: Kwon et al, Aprendizado de máquina: uma nova oportunidade para previsão de risco, Korean Circ J. 2020, https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6923232/)
5. (Ref 5: Lai et al, Uma comparação do escore de risco P-POSUSM e NELA para pacientes submetidos a laparotomia de emergência em Cingapura, World J Surg, 2021, https://pubmed.ncbi.nlm.nih.gov/33903953/)
6. (Ref 6: Eliezer et al, Laparotomia de emergência de alto risco na Austrália: comparando as calculadoras NELA, P-POSSUM e ACS-NSQIP, J of Surg Research, 2020, https://www.sciencedirect.com/science/article/abs/ pii/S0022480419306584 )
7. (Ref 7: Eugene et al, Desenvolvimento e validação interna de um novo modelo de ajuste de risco para pacientes adultos submetidos a cirurgia de laparotomia de emergência: o modelo nacional de risco de auditoria de laparotomia de emergência, BJA, 2018, https://www.sciencedirect.com/science/ artigo/pii/S0007091218305786 )
8. (Ref 8: Thahir A, Pinto-Lopes R, Madenlidou S, Daby L, Halahakoon C. Pontuação de risco de mortalidade em cirurgia geral de emergência: estamos usando a melhor ferramenta? Revista de Prática Perioperatória. 2021;31(4):153-158. doi:10.1177/1750458920920133, https://journals.sagepub.com/doi/abs/10.1177/1750458920920133)
9. (Ref 9: Fehlmann et al, Associação entre mortalidade e fragilidade em cirurgia geral de emergência: uma revisão sistemática e meta-análise, Euro J Trauma Emerg Surg, 2022, https://link.springer.com/article/10.1007/s00068- 020-01578-9)
10. (Ref 10: Lee et.al, 2020, https://doi.org/10.1111/jgs.16334 (https://agsjournals.onlinelibrary.wiley.com/doi/epdf/10.1111/jgs.16334))
11. (Ref 11: Palaniappan - Comparison of the Clinical Fragilty Score CFS to the National Emergency.Palaniappan et al, Comparison of CFS to the NELA Risk Calculator in All Pacientes Submetidos a Laparotomia de Emergência, Doença Colorretal, 2022, https://onlinelibrary.wiley. com/doi/full/10.1111/codi.16089 )