Maskininlärningsmodellering av intraoperativa hemodynamiska prediktorer för postoperativa resultat

Lägg sammanfattning

Inledning: Världshälsoorganisationen uppskattar att 270-360 miljoner operationer utförs varje år över hela världen. Död och komplikationer efter operation är en stor utmaning. I Kanada, av var 1000 större operation, dör 16 patienter på sjukhus efter operation. I USA, för varje 1 000 operation, behöver 67 patienter oväntat livstöd på intensivvårdsavdelningen. Med befolkningens åldrande och begränsade resurser blir strategier för att förbättra hälsan efter operationen allt viktigare.

Vitala tecken, som blodtryck och hjärtfrekvens, visar hur kroppen mår. Vitala tecken förändras under operationen på grund av patient-, kirurgiska och anestetiska faktorer. Anestesiläkare kan ändra vitala tecken med mediciner. Men medicinsk personal börjar bara förstå vilka och vilka områden av vitala tecken under narkos som är förknippade med bättre hälsa. Maskininlärning är ett verktyg som kan ge nya sätt att förstå data. Med bättre förståelse kan läkare arbeta för att förbättra resultaten efter operationen.

Mål: Denna studie kommer att analysera vitala tecken under operationer för deras kopplingar till dödsfall, komplikationer (hjärta, lunga, njure, hjärna, infektion), inläggning på intensivvårdsavdelning, längd på sjukhusvistelse och återinläggning på sjukhus. Denna studie kommer att avgöra vilka och vilka nivåer av vitala tecken som kan vara skadliga. Utredarna förutspår att blodtryck, hjärtfrekvens, syrenivå, koldioxidnivå och behovet av mediciner för att ändra blodtrycket kommer att interagera med döden efter operationen.

Metoder: Efter att ha erhållit forskningsetiska styrelsens godkännande kommer utredarna att analysera data från alla patienter som är minst 45 år gamla och genomgått en operation (med undantag för hjärtoperationer) med en övernattning på Queen Elizabeth II hälsocenter (Halifax, Kanada) från 1 januari 2013 till 1 december 2017. Det finns cirka 35 000 berättigade patienter. Utredarna kommer att använda maskininlärning för att modellera data och testa hur väl vår modell förklarar resultat efter operation.

Betydelse: Användningen av maskininlärning i en stor, bred kirurgipopulationsdatauppsättning kan upptäcka nya relationer och strategier som kan informera nuvarande praxis och generera idéer för framtida forskning. En bättre förståelse för inverkan av vitala tecken under operationer kan avslöja metoder för att förbättra resultat och resursallokering efter operation. Resultaten kan föreslå sätt att identifiera högriskpatienter som bör övervakas noggrannare efter operationen. Om modellen fungerar bra kan den motivera andra forskare att använda maskininlärning i hälsodataforskning.

Se hela protokollet för detaljer.

Uppdatering maj 2020 (före datauppsättningsaggregation och analys)

1. Tillagt sekundärt resultat (dagar vid liv och utanför sjukhus 30 dagar postoperativt)
2. Förbättrad hemodynamisk variabla artefaktbearbetningsalgoritm
3. Tillagd delstudie: maskininlärning för invasiv blodtrycksartefaktborttagningsalgoritm