Maskininlärning för utvärdering av återfallsrisk vid akut biliär pankreatit. (MINERVA)

Akut pankreatit är den vanligaste bukspottkörtelsjukdomen, med en global incidens på 34 fall per 100 000 individer. Denna sjukdom räknar mer än 1,5 miljoner nya patienter per år över hela världen, med en dödlighet som närmar sig 1 %. Patienter med mild biliär akut pankreatit kan, när de läggs in på sjukhuset, behandlas med index, tidig kolecystektomi (inom 3 till 7 dagar från den akuta episoden) eller konservativt. Även om konservativ behandling kan vara resolutiv, har upp till 35 % av dessa patienter ett återfall inom 30 dagar och kräver akut operation i ett betydligt sämre övergripande patienttillstånd, vilket minskar chanserna att lyckas. Annat än det ökar återfall dramatiskt riskerna för kronisk pankreatit, pankreascancer, postoperativa komplikationer och total dödlighet. Återfallsepisoder har också en ekonomisk inverkan på vårdinrättningar, eftersom en andra och längre sjukhusinläggning per patient ökar den totala medicinska kostnaden per patient med minst 100 %. Än så länge finns det dock inga standardiserade metoder för att förutsäga återfall av gallakut pankreatit hos patienter som inte genomgick tidig kolecystektomi efter den första episoden av mild biliär akut pankreatit.

MINERVA-projektet (Machine Learning for the Relapse Risk eValuation in Acute biliary pancreatit) härrör från behovet i den kliniska praktiken att fatta ett operativt beslut hos patienter som är inlagda på sjukhuset med diagnosen mild akut gallpankreatit.

MINERVA-projektet syftar till att nå följande mål och resultat:

1. Föreslå en ny metod för bedömning av risken för återfall hos patienter med mild biliär akut pankreatit som inte genomgick tidig kolecystektomi efter den första episoden av mild biliär akut pankreatit;
2. Föreslå en prediktiv maskininlärningsmodell som använder en Deep Learning-arkitektur applicerad på data som är lätt att samla in från patienter;
3. Validera MINERVA-poängen på en omfattande, multicentrisk, blivande kohort;
4. Tillåt nationella och internationella läkare, medicinsk personal, forskare och den allmänna publiken att fritt och enkelt få tillgång till MINERVA-poängberäkningen och använda den i sin dagliga kliniska praktik.

MINERVA-poängen kommer att ge klinikerna en validerad och standardiserad bedömning av återfallsrisken som tar hänsyn till varje patients personliga historia, demografiska data och laboratorieegenskaper. MINERVA-poängen kommer att vara gratis och lätt att beräkna direkt för all medicinsk personal; den kommer att vara tillgänglig när som helst på MINERVAs webbplats och webbapp, och kommer att ge ett omedelbart och tillförlitligt resultat som kan vara en tydlig indikation på den bästa behandlingsvägen för läkaren och för patienten.

MINERVA-poängmodellen kommer att utvecklas på en retrospektiv kohort av patienter (MANCTRA-1, redan registrerad i ClinicalTrials.gov) och kommer att valideras på en ny blivande multicentrisk kohort.

Retrospektiv kohort Modellutvecklingen och den initiala utbildningen kommer att utföras på en retrospektiv kohort av patienter (n=692) som samlats in under en preliminär multicentrisk studie, MANCTRA-1-studien (godkänd av etikkommittén vid University of Cagliari Hospital, MANCTRA-1 - NCT04747990, Prot. PG/2021/7108) utförd av PI (Dr. Mauro Podda) och universitetet i Cagliari lokalt ansvariga för MINERVA-projektet.

Prospektiv kohort Totalt 430 patienter kommer att rekryteras i den prospektiva kohorten av MINERVA-studien.

Metoder MINERVA-poängen kommer att baseras på en maskininlärningsmodell som kommer att utvecklas och tränas på en retrospektiv kohort och valideras på en potentiell kohort av patienter.

Alla modellvariabler kommer att bearbetas med kernel Principal Component Analysis (kPCA).

Det konvexa skrovet för spridningsdiagrammet för huvudkomponenterna kommer att beräknas och den minsta rektangeln kommer att extraheras. Rektangeln kommer att omvandlas till en 2D-bild med en fast upplösning med hjälp av funktionsgenomsnitt och normalisering.

Modellen kommer att utvecklas vid University of Neapel Federico II av Dr Daniela Pacella med maskininlärningsexpertis och handledning.

För att förhindra överanpassning kommer datasetet att delas upp i träningsset, testset och valideringsset. Dessutom kommer k-faldig korsvalidering att användas. Prestandan hos MINERVA-modellen kommer att utvärderas med de mest använda noggrannhetsmåtten, såsom precision, återkallelse och AUC (Area Under the ROC Curve). Dessutom kommer dess prestanda att jämföras med vad som uppnås med traditionella maskininlärningsmetoder (SVM, ANN). Saknade data kommer att hanteras med imputeringsmetoder.

Variabler Ålder (år) Kön (Man:Kvinna) Tidigare episoder av gallpankreatit (Ja; Nej) Specialitet (HepatoPancreatoGallkirurgi, Allmänkirurgi, Invärtesmedicin, Gastroenterologi) Body mass index -BMI- (Kg/m2) Klinisk historia av diabetes (Ingen diabetes; Ja med organdysfunktion; Ja utan organdysfunktion) Klinisk historia av kronisk lungsjukdom (Ja; Nej) Klinisk historia av hypertoni (Ja; Nej) Klinisk historia av förmaksflimmer (Ja; Nej) Klinisk historia av ischemisk hjärtsjukdom (Ja; Nej) Klinisk historia av kronisk njursjukdom (Nej; Ja under mediciner; Ja vid permanent njurersättningsterapi eller som förberedelse för det) Klinisk historia av sjukdomar i det hematopoetiska systemet (Ja; Nej) Patient på immunsuppressiva läkemedel på sjukhus intagning (Ja; Nej) Vita blodkroppar -WBC- (celler/mm3) Neutrofiler (celler/mm3) Trombocyter (Plt/mm3) INR (International Normalized Ratio) C-reaktivt protein -CRP- (mg/L) Aspartataminotransferas - AST- (U/L) Alaninaminotransferas -ALT- (U/L) Totalt bilirubin (mg/dL) Konjugerat bilirubin (mg/dL) Gamma-glutamil-transpeptidas -GGT- (U/L) Serumamylas (U/L) ) Serumlipas (U/L) Laktatdehydrogenas -LDH- (U/L) Choledocholithiasis (Ja; Ja med vanlig gallgångsobstruktion; Nej) Kolangit (Ja; Nej) ERCP med sphincterotomi (Ja inom 24 timmar från sjukhusinläggning; Ja inom 24-48 timmar från sjukhusinläggning; Ja inom 48-72 timmar från sjukhusinläggning; Nej) Akut biliär pankreatit återfall vid 30 dagar, 60- dag, 90 dagar, 1 år.