ПРЕДОТВРАЩЕНИЕ ПОСЛЕОПЕРАЦИОННЫХ ЛЕГКИХ Осложнений за счет внедрения подхода на основе машинного обучения (PEPPERMINT)

Сообщается, что частота послеоперационных легочных осложнений (ПООЛС) составляет 9-40%, в зависимости от хирургической процедуры. Известны различные предоперационные факторы риска, но обычно их нельзя изменить. Основная проблема старых публикаций заключалась в том, что долгое время не существовало четкого определения исходного параметра «легочное осложнение». Лишь в 2018 году в сотрудничестве со стандартизированными конечными точками периоперационной медицины (StEP) было разработано стандартизированное определение [1]. В связи с высокой клинической значимостью — ПОРПЖ являются основной причиной послеоперационной заболеваемости и смертности — были разработаны клинические балльные системы для предоперационного прогнозирования ПОРПЖ, но их прогностическое качество все еще нуждается в улучшении [2]. Лучшая в настоящее время оценка для прогнозирования послеоперационных легочных осложнений (ARISCAT: Оценка респираторного риска у хирургических пациентов в Каталонии) обладает достаточной чувствительностью, но не обладает специфичностью [3]. Поэтому методы машинного обучения для определения риска по предоперационным рутинным данным также проходят испытания [4].

Сонография приобретает все большее значение как неинвазивный метод обследования, который можно проводить у постели больного. Уже разработаны различные сонографические показатели и модели для прогнозирования легочных осложнений [5]. Методы обработки изображений и машинного обучения, в частности глубокого обучения, также все чаще используются в ультразвуковой диагностике [6,7]. Комбинация обычных клинических данных и данных изображений для разработки алгоритма машинного обучения еще не тестировалась. Однако расширенные алгоритмы, использующие до- и интраоперационную клиническую информацию в дополнение к ультразвуковой визуализации, обещают лучшую прогностическую точность, чем соответствующие отдельные методы. Кроме того, на сегодняшний день отсутствует проспективная клиническая оценка моделей прогнозирования на основе алгоритмов машинного обучения, хотя они показывают хорошие значения «площади под рабочей характеристикой приемника» (AUROC), точности и прецизионности в соответствующих тестовых и проверочных наборах данных, которые рассмотрены общие меры прогностического качества таких моделей [4].

Меры по профилактике ПОПК известны [8], но, вероятно, не всегда применяются в клинической практике из-за повышенного спроса, особенно на человеческие ресурсы. Поэтому наша цель — выявить пациентов с риском ПОРПЖ на основе алгоритма машинного обучения.

Все пациенты проходят один и тот же протокол исследования для разработки модели машинного обучения. Периоперационные клинические рутинные данные будут оцениваться в соответствии со стандартом. После операции в послеоперационной палате будет проведена стандартизированная сонография легких. Затем пациентов будут посещать в палате на 1, 3 и 7 послеоперационный день для клинического обследования для выявления POPC в соответствии с критериями, разработанными коллаборацией StEP.

Согласно нашему подсчету количества случаев, мы включим 512 взрослых пациентов, перенесших плановые хирургические процедуры под общей анестезией. Периоперационные рутинные данные будут оцениваться и храниться во внутренней базе данных больницы, а также данные послеоперационного клинического обследования. Данные изображения сонографии легких будут заархивированы в PACS для дальнейшей обработки. На основе собранных данных будет обучен алгоритм машинного обучения на основе нейронных сетей прогнозировать POPC. Модель создается с использованием анонимных данных с использованием языка программирования R, ориентированного на статистику, и фреймворка TensorFlow, библиотеки программного обеспечения для глубокого обучения на основе языка программирования Python. Качество прогнозирования созданной модели прогнозирования оценивается с использованием площади под характеристиками оператора приемника (AUROC), а также площади под кривой полноты точности (AUPRC) и сравнивается со значениями оценки ARISCAT, общей оценки для оценки риск ПОПК.

Точная оценка риска с помощью расширенного алгоритма машинного обучения, который использует клиническую рутину, а также данные визуализации, имеет большой потенциал для улучшения результатов лечения пациентов, а также может помочь снизить расходы на здравоохранение.

1. Эбботт, Т.Е.Ф., Фаулер, А.Дж., Пелоси, П., Гама де Абреу, М., Меллер, А.М., Канет, Дж., Крэг-Браун, Б., Митен, М., Джин, Т., Лалу, М.М., Futier, E., Grocott, M.P., Schultz, MJ, Pearse, RM, StEP-COMPAC Group (2018)Систематический обзор и согласованные определения для стандартизированных конечных точек в периоперационной медицине: легочные осложнения. Бр Дж. Анаст, 120(5) 1066-1079.
2. Болл, Л. и Пелоси, П. (2016). Прогностические оценки послеоперационных легочных осложнений: время перейти к клинической практике. Минерва Анестезиол, 82(3) 265-267.
3. Нитиутай Дж., Сириуссавакул А., Джункай Р., Хоругса Н., Джарунгджитари С., Триясунант Н. (2021). Помогают ли шкалы ARISCAT прогнозировать частоту послеоперационных легочных осложнений у пожилых пациентов после операций на верхних отделах брюшной полости? Обсервационное исследование в одной университетской больнице. Perioper Med (Лондон), 10(1) 43.
4. Сюэ, Б., Ли, Д., Лу, К., Кинг, К.Р., Уайлдс, Т., Авидан, М.С., Каннампаллил, Т., Абрахам, Дж. (2021) Использование машинного обучения для разработки и оценки моделей с использованием Предоперационные и интраоперационные данные для выявления рисков послеоперационных осложнений. Jama Network Open, 4 (3).
5. Сабо М., Бозо А., Дарвас К., Соос С., Ожем М., Иваньи З.Д. (2021)Роль ультразвуковой оценки аэрации легких в прогнозировании послеоперационных легочных осложнений: обсервационное исследование. BMC Anesthesiol, 21(1) 19.
6. ван Слоун, Р.Дж.Г. и Деми, Л. (2020) Локализация B-линий в УЗИ легких с помощью глубокого обучения со слабым наблюдением, результаты in-vivo. IEEE J Biomed Health Inform, 24(4) 957-964.
7. Брусаско К., Сантори Г., Тавацци Г., Виа Г., Робба К.м. Гаргани Л., Моджоли Ф., Монгоди С., Бруццо Э., Тро Р., Боккаччи, П., Исирди, А., Форфори, Ф., Корради, Ф., UCARE (Исследовательская группа по ультразвуковой терапии и анестезии) (2022) Анализ текстуры второго порядка в шкале серого ультразвуковых изображений плевры для дифференциации острого респираторного дистресс-синдрома и кардиогенный отек легких. J Clin Monit Comput, 36(1) 131-140.
8. Мишкович А. и Ламб А.Б. (2017). Послеоперационные легочные осложнения. Бр Дж. Анаст, 118(3), 317–334.