A1Check: внешняя проверка модели машинного обучения, прогнозирующей утечку колоректального анастомоза (A1Check)

Процедура исследования Целью исследования является внешняя проверка модели машинного обучения, предсказывающей несостоятельность колоректального анастомоза. Модель прогнозирования, которая будет проходить внешнюю проверку, разрабатывается на перспективной базе данных. Эта база данных содержала данные о 2483 пациентах с колоректальным раком, перенесших хирургическую операцию в период с января 2016 года по апрель 2021 года в 14 больницах, как сельских, так и академических в четырех разных странах (Нидерланды, Италия, Бельгия, Австралия). У 189 пациентов (7,6%) развилась несостоятельность колоректального анастомоза. Модели предсказывали риск несостоятельности колоректального анастомоза во время операции, непосредственно перед наложением анастомоза, используя в общей сложности 31 переменную. Эти переменные содержат как данные, доступные до операции, так и переменные, касающиеся интраоперационного состояния пациента. Модели прошли внутреннюю проверку с использованием 10-кратной перекрестной проверки, а затем протестировали 20% невидимых данных базы данных. Площадь под кривой — рабочие характеристики приемника (AUROC) наиболее эффективной модели машинного обучения в тестовом наборе составила 0,84, с чувствительностью 0,86, специфичностью 0,78, положительной прогностической ценностью 0,24 и отрицательной прогностической ценностью 0,99.

Во время этого проспективного симуляционного исследования нет прямых преимуществ или рисков для участвующих пациентов. Это проспективное симуляционное исследование будет неинтервенционным, модели прогнозирования не изменяют первоначальную повседневную практику, и на этом этапе оно не предназначено для использования в качестве диагностического устройства. Во время операции, непосредственно перед построением анастомоза, модель прогнозирования будет предсказывать, используя пациента, опухоль и интраоперационные переменные (перечисленные в параграфе Словаря данных), вероятность несостоятельности анастомоза. SAS VIYA используется для развертывания модели машинного обучения. Во время проспективного симуляционного исследования оценки этих прогнозов доступны только главным исследователям и исследователям и, следовательно, неизвестны участвующим больницам или оперирующим хирургам, чтобы предотвратить какое-либо влияние на текущую повседневную практику на этом этапе исследования. Через 30 дней после операции будут собраны данные пациентов о возникновении несостоятельности анастомоза. AUROC, чувствительность, специфичность и точность затем будут рассчитываться на основе количества пациентов, оцененных как истинно положительные, истинно отрицательные, ложноположительные или ложноотрицательные. После как минимум 100 событий и 100 несобытий внешняя валидация завершается, и будут представлены окончательные оценки AUROC, чувствительности и специфичности.

План обеспечения качества, проверка данных, проверка исходных данных Данные будут обрабатываться конфиденциально и анонимно. Данные будут псевдоанонимизированы для главного исследователя и исследователей. Псевдоанонимизированные данные вводятся в базу данных Castor. Словарь данных присоединяется к исходному набору данных с метаданными для описания данных. Все участвующие больницы заключили Соглашение об обмене данными для безопасного обмена данными о включенных пациентах с главным исследователем и исследователями. План управления данными будет создан в соответствии с политиками нашего института с помощью эксперта по управлению данными, наряду с прозрачной отчетностью многопараметрической модели прогнозирования для рекомендаций по индивидуальному прогнозу или диагностике (TRIPOD). Характеристики собранных и сгенерированных данных: клинические данные, извлеченные из электронных медицинских карт. Он содержит непрерывные, номинальные и дихотомические переменные. Данные не будут повторно использоваться или связываться с существующими данными. Информированное согласие пациентов необходимо для прогнозирования исхода с помощью разработанной модели. Политика конфиденциальности и законы применимы к этому проекту. Проект также будет соответствовать всем принципам защиты данных, как это определено в Общем регламенте защиты данных. Доступ к анонимному набору данных можно получить через базу данных Castor. Долгосрочные данные будут сохраняться в репозитории UMC в Амстердаме с помощью отдела управления исследовательскими данными (RDM). Данные будут храниться в течение пяти лет после завершения проекта.

Словарь данных

Следующие переменные будут собраны от включенных пациентов:

я. Характеристики пациента и опухоли Возраст; секс; индекс массы тела; классификация Американского общества анестезиологов (ASA); интоксикации (курение и/или употребление алкоголя); история болезни диабета; использование стероидов (не назальных); гемоглобин; доброкачественное или злокачественное заболевание. При наличии злокачественного новообразования: TNM-стадия, удаление опухоли от анального края, неоадъювантное лечение.

II. Периоперационные характеристики Хирургическая процедура, хирургический доступ; преобразование; возникновение интраоперационного события (гипоксические явления, гиперкапния, брадикардия, гипотензия, эмболия, реанимация, более обширная резекция, чем планировалось, поражение серозной оболочки, повреждение мочевого пузыря и мочеточника, интраоперационное кровотечение, спленэктомия) iii. Характеристики непосредственно перед созданием анастомоза Температура пациента; время введения антибиотиков; введение вазопрессоров; потеря крови; насыщение O2; среднее артериальное давление; введение жидкости; производство мочи; наличие фекального загрязнения; субъективная оценка местной перфузии; эпидуральная анальгезия; движения дверей; время от разреза до создания анастомоза, намерение создать стому.

IV. Послеоперационные характеристики Несостоятельность колоректального анастомоза в течение 30 дней и продолжительность пребывания в стационаре.

Стандартные операционные процедуры Пациенты, имеющие право на включение, выявляются на первом собрании междисциплинарной бригады. Если это соответствует требованиям, хирург проинформирует и обсудит это исследование с пациентом на предоперационной консультации по поводу операции. Если пациент дает согласие на участие, требуется письменное информированное согласие. Пациент может отозвать это согласие в любое время.

Расчет размера выборки В участвующих больницах ежегодно проводится от 100 до 400 колоректальных резекций, при этом приблизительная частота несостоятельности анастомоза составляет от 5 до 15%. Многочисленные исследования продемонстрировали минимум 100 событий и 100 несобытий в качестве подходящего размера выборки для внешней проверки. При ожидаемом ежегодном включении 1200 пациентов и проценте утечек около 10%, включение 100 событий занимает примерно от одного до двух лет.

Обработка отсутствующих данных Модель машинного обучения будет делать прогнозы для пациентов, у которых доступно более 80% требуемых данных. Отсутствующие данные вменяются с использованием прогнозируемого сопоставления среднего с десятью итерациями.

План статистического анализа Внешняя валидация будет проводиться по крайней мере для 100 событий (несостоятельность анастомоза) и 100 случаев отсутствия (отсутствие несостоятельности анастомоза). В качестве модели реализации будет использоваться модель машинного обучения с лучшими прогнозирующими характеристиками с точки зрения AUROC. Частота несостоятельности колоректального анастомоза будет сравниваться в модели многомерной логистической регрессии. Все анализы будут проводиться под наблюдением клинического эпидемиолога.