Förebyggande av postoPERativa lungkomplikationer genom att etablera ett tillvägagångssätt med hjälp av maskininlärning (PEPPERMINT)

Incidensen av postoperativa lungkomplikationer (POPC) rapporteras vara 9-40 %, beroende på det kirurgiska ingreppet. Olika preoperativa riskfaktorer är kända, men kan vanligtvis inte modifieras. Ett stort problem med äldre publikationer var att det under lång tid inte fanns någon tydlig definition av utfallsparametern "lungkomplikation". Det var inte förrän 2018 som en standardiserad definition utvecklades av samarbetet Standardised Endpoints for Perioperative Medicine (StEP) [1]. På grund av den höga kliniska relevansen - POPC är huvudorsaken till postoperativ sjuklighet och mortalitet - har kliniska poängsystem för preoperativ förutsägelse av POPC utvecklats, men deras prediktiva kvalitet behöver fortfarande förbättras [2]. Den för närvarande bäst utvärderade poängen för att förutsäga postoperativa lungkomplikationer (ARISCAT: Assess Respiratory Risk in Surgical Patients in Catalonia) har tillräcklig sensitivitet men saknar specificitet [3]. Därför testas också maskininlärningsmetoder för att bestämma risk från preoperativa rutindata [4].

Sonografi blir allt viktigare som en icke-invasiv undersökningsmetod som kan utföras vid sängkanten. Olika sonografiska poäng och modeller har redan utvecklats för att förutsäga lungkomplikationer [5]. Bildbehandlingsmetoder och maskininlärning, i synnerhet djupinlärning, används också alltmer inom ultraljudsdiagnostik [6,7]. En kombination av rutinmässiga kliniska data och bilddata för att utveckla en maskininlärningsalgoritm har ännu inte testats. Förstärkta algoritmer som använder pre- och intraoperativ klinisk information utöver ultraljudsavbildning lovar dock bättre prediktiv precision än de respektive individuella metoderna. Dessutom saknas prospektiv klinisk utvärdering av maskininlärningsalgoritmbaserade prediktionsmodeller hittills, även om de visar bra värden för "area under the receiver operating characteristic" (AUROC), noggrannhet och precision i respektive test- och valideringsdataset, som är övervägt vanliga mått på den prediktiva kvaliteten hos sådana modeller [4].

Åtgärder för att förebygga POPC är kända [8], men tillämpas förmodligen inte konsekvent i klinisk rutin på grund av den ökade efterfrågan, särskilt på mänskliga resurser. Därför är vårt mål att identifiera patienter med risk för POPC på basis av en maskininlärningsalgoritm.

Alla patienter genomgår samma studieprotokoll för att utveckla maskininlärningsmodellen. Peroperativa kliniska rutindata kommer att bedömas enligt standard. Postoperativt kommer en standardiserad lungsonografi att utföras på uppvakningsrummet. Patienterna kommer sedan att besökas på avdelningen på postoperativ dag 1, 3 och 7 för klinisk undersökning för att upptäcka POPC enligt de kriterier som utarbetats av StEP-samarbetet.

Enligt vår ärendetalsberäkning kommer vi att inkludera 512 vuxna patienter som genomgår elektiva, kirurgiska ingrepp under narkos. Peroperativ rutindata kommer att bedömas och lagras i en sjukhusintern databas, samt data från postoperativ klinisk undersökning. Bilddata från lungsonografi kommer att arkiveras i PACS för vidare bearbetning. Baserat på insamlade data kommer en maskininlärningsalgoritm baserad på neurala nätverk att tränas för att förutsäga POPC. Modellen skapas med den anonymiserade datan med hjälp av det statistikorienterade programmeringsspråket R och ramverket TensorFlow, ett mjukvarubibliotek för djupinlärning baserat på programmeringsspråket Python. Förutsägelsekvaliteten för den skapade prediktionsmodellen bedöms med användning av arean under mottagaroperatörens egenskaper (AUROC) såväl som arean under precision recall curve (AUPRC) och jämförs med värdena för ARISCAT-poängen, en gemensam poäng för att uppskatta risk för POPC.

Exakt riskbedömning med hjälp av en utökad maskininlärningsalgoritm som använder såväl klinisk rutin som bilddata har stor potential att förbättra patientresultaten och kan också bidra till att minska sjukvårdskostnaderna.

1. Abbott, T.E.F., Fowler, A.J., Pelosi, P., Gama de Abreu, M., Møller, A.M., Canet, J., Craegh-Brown, B., Mythen, M., Gin, T., Lalu, M.M., Futier, E., Grocott, M.P., Schultz, M.J., Pearse, R.M., StEP-COMPAC Group (2018) En systematisk översikt och konsensusdefinitioner för standardiserade slutpunkter i perioperativ medicin: lungkomplikationer. Br J Anaesth, 120(5) 1066-1079.
2. Ball, L. och Pelosi, P. (2016). Prediktiva poäng för postoperativa lungkomplikationer: dags att gå mot klinisk praxis. Minerva Anestesiol, 82(3) 265-267.
3. Nithiuthai, J., Siriussawakul, A., Junkai, R., Horugsa, N., Jarungjitaree, S., Triyasunant, N. (2021). Hjälper ARISCAT-poäng att förutsäga förekomsten av postoperativa lungkomplikationer hos äldre patienter efter operation i övre delen av buken? En observationsstudie på ett enda universitetssjukhus. Perioper Med (Lond), 10(1) 43.
4. Xue, B., Li, D., Lu, C., King, C.R., Wildes, T., Avidan, M.S., Kannampallil, T., Abraham, J. (2021) Användning av maskininlärning för att utveckla och utvärdera modeller med hjälp av Preoperativa och intraoperativa data för att identifiera risker för postoperativa komplikationer. Jama Network Open, 4(3).
5. Szabo, M., Bozó, A., Darvas, K., Soós, S., Özsem M., Iványi, Z.D. (2021) Rollen av ultraljudspoäng för lungluftning i förutsägelsen av postoperativa lungkomplikationer: en observationsstudie. BMC Anesthesiol, 21(1) 19.
6. van Sloun, R.J.G. och Demi, L. (2020) Localizing B-Lines in Lung Ultrasonography by Weakly Supervised Deep Learning, In-Vivo-resultat. IEEE J Biomed Health Inform, 24(4) 957-964.
7. Brusasco, C., Santori, G., Tavazzi, G., Via, G., Robba, C.m Gargani, L., Mojoli, F., Mongodi, S., Bruzzo, E., Trò, R., Boccacci, P., Isirdi, A., Forfori, F., Corradi, F., UCARE (Ultrasound in Critical Care and Anesthesia Research Group) (2022) Andra ordningens gråskala texturanalys av pleurala ultraljudsbilder för att skilja akut andnödsyndrom och kardiogent lungödem. J Clin Monit Comput, 36(1) 131-140.
8. Miskovic, A. och Lumb, A.B. (2017). Postoperativa lungkomplikationer. Br J Anaesth, 118(3), 317-334.