Платформы машинного обучения для прогнозирования 30-дневной смертности после экстренной лапаротомии

Экстренная лапаротомия (ЭЛ) является широко выполняемой процедурой и операцией высокого риска, которая, как известно, имеет высокий уровень смертности и заболеваемости. Несмотря на различные аудиты и исследования по выявлению факторов риска и внедрению протоколов, направленных на улучшение хирургических результатов, краткосрочная смертность после ЭЛ остается высокой. Мировые данные показывают, что краткосрочная (30-дневная) смертность колеблется в пределах 5,3-21,8%. а долгосрочная (1-летняя) смертность колеблется в пределах 15-47% (ссылка 1). Пожилые пациенты были определены как подгруппа, страдающая от самых высоких показателей смертности, и усилия, предпринятые для пожилых пациентов, подвергающихся ЭЛ, включают: использование калькуляторов риска для прогнозирования смертности, увеличение периоперационного вклада со стороны гериатра и интенсивной терапии, более широкое присутствие хирурга-консультанта и анестезиолога. в операционной и введение расширенных путей ухода. Помимо возраста и участия специалистов, другие факторы риска смертности после ЭЛ включают: слабость, продолжительность хирургического вмешательства, хирургическое вмешательство, связанное с раком, уход за стомой, отбор пациентов, предоперационный сепсис и физиологические параметры, ранее существовавшие сопутствующие заболевания, статус ASA (ссылка 2). ).

Модели прогнозирования смертности, которые в настоящее время используются в клинической практике для EL, включают Портсмутскую физиологическую и операционную шкалу тяжести для подсчета смертности и заболеваемости (P-POSSUM), Острую физиологическую и хроническую оценку состояния здоровья II (APACHE-II), Национальный хирургический колледж Американского колледжа хирургов. Улучшение качества (ACS-NSQIP) и самое последнее добавление калькулятора рисков (NELA). Национальный аудит неотложной лапаротомии (NELA), проводимый в Великобритании с 2012 года, изменил парадигму научно обоснованного улучшения состояния пациентов, перенесших ЭЛ, продемонстрировав снижение национального уровня 30-дневной смертности (11,8% против 8,7% в 2012 году по сравнению с 2012 годом). 2012) после определения и выполнения конкретных рекомендаций (ссылка 3).

Используя данные из большой когорты NELA в Великобритании в период с 2014 по 2016 год, был разработан инструмент расчета риска NELA для оценки 30-дневной смертности, который учитывает демографические данные пациентов, статус ASA, физиологические параметры, жизненные показатели и детали, касающиеся тяжести и характера. хирургического вмешательства. Многочисленные исследования, проведенные в Великобритании, Австралии и Сингапуре, показали, что калькулятор риска NELA сравним, если не превосходит, с P-POSSUM для прогнозирования смертности и стратификации риска, чтобы различать пациентов с низким и высоким риском, проходящих EL (ссылки 5, 6, 7). . Тем не менее, ни одна оценка риска не является идеальной. Было показано, что модель риска NELA занижает прогноз, а P-POSSUM завышает наблюдаемую смертность (ссылка 8). С момента своего появления NELA был пионером в разработке основанных на доказательствах вмешательств и руководящих направлений для будущих исследований у пациентов, перенесших ЭЛ, но его внедрение в Гонконге было ограничено отсутствием проверки точности в нашей популяции пациентов.

Слабость определяется как: объективная мера повышенной уязвимости и снижения физиологических резервов, приводящая к накоплению физиологических нарушений во многих системах, и может возникать у пациентов всех возрастов, но чаще всего у пожилых пациентов. Ослабление является хорошо известным фактором риска неблагоприятных хирургических результатов при ЭЛ (ссылки 9, 10), но его еще предстоит включить в широко используемые калькуляторы риска. Существует множество оценок риска и суррогатных показателей слабости, саркопении и остеопении. Шкала клинической слабости (CFS) является наиболее часто используемым индексом слабости, и было показано, что только CFS предоставляет прогностическую информацию для пациентов, перенесших EL, но все еще уступающих по сравнению с NELA. Интересно, что добавление CFS к NELA не повысило точность предсказания модели риска (ссылка 11).

Применение глубокого обучения и машинного обучения набирает обороты и используется для разработки различных моделей прогнозирования рисков и предсказания будущих событий (ссылка 4). Накопление обширных наборов данных из записей об анестезии может оказаться сокровищницей для ученых, занимающихся данными, чтобы раскрыть новые тенденции и прогнозы, которые ранее упускались из виду. Калькуляторы риска являются полезными инструментами для клиницистов, помогающими в принятии клинических решений, но точность и валидация этих калькуляторов риска в этой области не проводились. Используя алгоритмы машинного обучения и включение слабости в калькуляторы риска, мы надеемся разработать новый алгоритм с высокой точностью и обобщаемостью, который будет внедрен в клиническую практику.

Использованная литература:

1. (Ссылка 1: Нг и др. al, Годовые результаты после экстренной лапаротомии: систематический обзор, World J surg, 2022, https://pubmed.ncbi.nlm.nih.gov/34837122/)
2. (Ссылка 2: (Ссылка: Boyd-Carson et al, Обзор хирургических и периоперационных факторов, которые следует учитывать при неотложной лапаротомной помощи, 2020 г., Анестезия, https://pubmed.ncbi.nlm.nih.gov/31903572/)
3. (Ссылка 3: Команда проекта NELA. Седьмой отчет пациента о национальном аудите экстренной лапаротомии RCoA, Лондон, 2021 г.)
4. (Ссылка 4: Квон и др., Машинное обучение: новая возможность прогнозирования рисков, Korean Circ J. 2020, https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6923232/)
5. (Ссылка 5: Lai et al, Сравнение оценки риска P-POSUSM и NELA для пациентов, перенесших экстренную лапаротомию в Сингапуре, World J Surg, 2021 г., https://pubmed.ncbi.nlm.nih.gov/33903953/)
6. (Ссылка 6: Элиезер и др., Экстренная лапаротомия высокого риска в Австралии: сравнение калькуляторов NELA, P-POSSUM и ACS-NSQIP, J of surg research, 2020, https://www.sciencedirect.com/science/article/abs/ пии/S0022480419306584 )
7. (Ссылка 7: Юджин и др., Разработка и внутренняя валидация новой модели корректировки риска для взрослых пациентов, перенесших экстренную лапаротомию: национальная модель аудита рисков экстренной лапаротомии, BJA, 2018 г., https://www.sciencedirect.com/science/ статья/pii/S0007091218305786 )
8. (Ссылка 8: Тахир А., Пинто-Лопес Р., Маденлиду С., Даби Л., Халахакун С. Оценка риска смертности в неотложной общей хирургии: используем ли мы лучший инструмент? Журнал периоперационной практики. 2021;31(4):153-158. дои: 10.1177/1750458920920133, https://journals.sagepub.com/doi/abs/10.1177/1750458920920133)
9. (Ссылка 9: Fehlmann et al, Связь между смертностью и слабостью в неотложной общей хирургии: систематический обзор и метаанализ, Euro J Trauma Emerg Surg, 2022, https://link.springer.com/article/10.1007/s00068- 020-01578-9)
10. (Ссылка 10: Ли и др., 2020 г., https://doi.org/10.1111/jgs.16334. (https://agsjournals.onlinelibrary.wiley.com/doi/epdf/10.1111/jgs.16334))
11. (Ссылка 11: Паланиаппан — Сравнение показателя клинической слабости СХУ с национальной чрезвычайной ситуацией. Паланиаппан и др., Сравнение СХУ с калькулятором риска NELA у всех пациентов, перенесших экстренную лапаротомию, Колоректальное заболевание, 2022 г., https://onlinelibrary.wiley. com/doi/полный/10.1111/codi.16089 )