A1Check: den externa valideringen av en maskininlärningsmodell som förutsäger kolorektalt anastomotiskt läckage (A1Check)

Studieförfarande Syftet med studien är att externt validera en maskininlärningsmodell som förutsäger kolorektalt anastomotiskt läckage. Prediktionsmodellen som kommer att valideras externt är utvecklad på en prospektiv databas. Denna databas innehöll data om 2 483 patienter med kolorektal cancer som genomgick ett kirurgiskt ingrepp mellan januari 2016 och april 2021 på 14 sjukhus, både på landsbygden och akademiska i fyra olika länder (Nederländerna, Italien, Belgien, Australien). Cirka 189 patienter (7,6 %) utvecklade kolorektalt anastomotiskt läckage. Modellerna förutspådde risken för kolorektalt anastomotiskt läckage intraoperativt, strax före konstruktionen av anastomosen, med hjälp av totalt 31 variabler. Dessa variabler innehåller både preoperativt tillgängliga data och variablerna avseende patientens intraoperativa tillstånd. Modellerna validerades internt med 10-faldig korsvalidering och testades därefter på 20 % av databasens osynliga data. Arean under kurvan - mottagarens funktionsegenskaper (AUROC) för den bäst presterande maskininlärningsmodellen i testsetet var 0,84, med en sensitivitet på 0,86, specificitet på 0,78, ett positivt prediktivt värde på 0,24 och ett negativt prediktivt värde på 0,99.

Under denna prospektiva simuleringsstudie finns det inga direkta fördelar eller risker för deltagande patienter. Denna prospektiva simuleringsstudie kommer att vara icke-interventionell, prediktionsmodellerna ändrar inte den ursprungliga dagliga praktiken och i denna fas är den inte avsedd att användas som en diagnostisk anordning. Intraoperativt, precis innan konstruktionen av anastomosen, kommer prediktionsmodellen att förutsäga, med hjälp av patient-, tumör- och intraoperativa variabler (anges i avsnittet Data Dictionary), sannolikheten för anastomotiskt läckage. SAS VIYA används för utveckling av maskininlärningsmodellen. Under den prospektiva simuleringsstudien är poängen för dessa förutsägelser endast tillgängliga för princip- och forskningsutredarna, och därför okända för de deltagande sjukhusen eller opererande kirurgerna för att förhindra någon påverkan på nuvarande dagliga praxis i detta skede av forskningen. Trettio dagar postoperativt kommer data från patienterna om förekomsten av anastomotiskt läckage att samlas in. AUROC, sensitivitet, specificitet och noggrannhet kommer sedan att beräknas baserat på antalet patienter som bedöms som sant positiva, sanna negativa, falskt positiva eller falskt negativa. Efter minst 100 händelser och 100 icke-händelser slutförs den externa valideringen och de slutliga AUROC-, sensitivitets- och specificitetspoängen kommer att presenteras.

Kvalitetssäkringsplan, datakontroller, källdataverifiering Data kommer att hanteras konfidentiellt och anonymt. Data kommer att pseudo-anonymiseras för huvudforskaren och forskningsutredarna. Pseudo-anonymiserade data läggs in i en Castor-databas. En dataordlista bifogas den ursprungliga datamängden med metadata för att beskriva datan. Alla deltagande sjukhus har ett datadelningsavtal för att säkert dela data från inkluderade patienter med huvudutredaren och forskningsutredarna. En datahanteringsplan kommer att skapas i enlighet med vårt instituts policyer med hjälp av en datahanteringsexpert, tillsammans med den transparenta rapporteringen av en multivariabel prediktionsmodell för riktlinjer för individuell prognos eller diagnos (TRIPOD). Egenskaperna för insamlade och genererade data kliniska data utvunna från de elektroniska journalerna. Denna innehåller kontinuerliga, nominella och dikotoma variabler. Data kommer inte att återanvändas eller kopplas till befintliga data. Informerat samtycke från patienter är nödvändigt för att förutsäga resultatet med den utvecklade modellen. Sekretesspolicyer och lagar är tillämpliga på detta projekt. Projektet kommer också att följa alla dataskyddsprinciper som definieras i den allmänna dataskyddsförordningen. Den anonymiserade datamängden kan nås via en Castor-databas. Långtidsdata kommer att sparas i Amsterdam UMC-förvaret med hjälp av avdelningen för forskningsdatahantering (RDM). Uppgifterna kommer att sparas i fem år efter att projektet avslutats.

Data ordbok

Följande variabler kommer att samlas in från inkluderade patienter:

i. Patient- och tumöregenskaper Ålder; sex; Body mass Index; American Society of Anesthesiologists (ASA) klassificering; berusning (rökning och/eller alkoholkonsumtion); medicinsk historia av diabetes; steroidanvändning (ej nasal); hemoglobin; godartad eller malign sjukdom. Om det finns malign sjukdom: TNM-stadium, tumöravstånd från analkant, neoadjuvant behandling.

ii. Perioperativa egenskaper Kirurgiskt ingrepp, kirurgiskt tillvägagångssätt; omvandling; förekomst av intraoperativ händelse (hypoxiska händelser, hyperkarbi, bradykardi, hypotoni, emboli, återupplivning, mer omfattande resektion än planerat, serosalesioner, blås- och urinrörsskador, intraoperativ blödning, splenektomi) iii. Egenskaper precis före skapandet av anastomos Patienttemperatur; tidpunkt för administrering av antibiotika; administrering av vasopressorer; blodförlust; O2-mättnad; medelartärtryck; vätskeadministration; urinproduktion; närvaro av fekal kontaminering; subjektiv bedömning av lokal perfusion; epidural analgesi; dörrrörelser; tid från snitt till skapandet av anastomos, avsikt att skapa stomi.

iv. Postoperativa egenskaper Kolorektalt anastomotiskt läckage inom 30 dagar och sjukhusvistelsens längd.

Standardoperationsprocedurer Patienter som är kvalificerade för inkludering upptäcks i det första multidisciplinära teammötet. Om berättigad, kommer kirurgen att informera och diskutera denna studie med patienten i den preoperativa konsultationen för operation. Om patienten samtycker till deltagande krävs ett skriftligt informerat samtycke. Patienten kan när som helst återkalla detta samtycke.

Beräkning av provstorlek På de deltagande sjukhusen utförs cirka 100 till 400 kolorektala resektioner årligen, med en ungefärlig incidens av anastomotiskt läckage på 5 till 15 %. Flera studier visade minst 100 händelser och 100 icke-händelser som en lämplig urvalsstorlek för extern validering. Med en förväntad total på 1 200 patienter inkluderade årligen och en läckageprocent på cirka 10 %, inklusive 100 händelser tar cirka ett till två år.

Hantera saknade data Maskininlärningsmodellen kommer att göra en förutsägelse hos patienter med mer än 80 % av den nödvändiga informationen tillgänglig. Saknade data imputeras med hjälp av prediktiv medelvärdesmatchning med tio iterationer.

Statistisk analysplan Den externa valideringen kommer att utföras på minst 100 händelser (anastomotiskt läckage) och 100 icke-händelser (inget anastomotiskt läckage). Maskininlärningsmodellen med den bästa prediktiva prestandan i termer av AUROC kommer att användas som implementeringsmodell. Kolorektal anastomotisk läckagehastighet kommer att jämföras i en multivariat logistisk regressionsmodell. Alla analyser kommer att utföras under överinseende av en klinisk epidemiolog.