Skapande, implementering och validering av intra- och postoperativa riskprediktionsmodeller

En studie i tre faser har utformats:

1. st fas: Härledning och intern validering av den prediktiva modellen med hjälp av en reprospektiv kohortstudie där patienter opererades på Galdakao-Usansolo Hospital (HGU), Urduliz Hospital (HU), Basurto University Hospital (HUB), Donostia University Hospital ( HUD) och Araba University Hospital (HUA) kommer att rekryteras. Hospital universitario de Donostia (HUD) och Hospital universitario de Araba (HUA) över XXX år och data kommer att erhållas från den preoperativa perioden fram till månaden för utskrivningen från operationen. För att identifiera och skapa dessa modeller kommer maskininlärningstekniker att användas med huvudsyftet att identifiera variabler som inte beskrivs i litteraturen. Maskininlärning är den viktigaste grenen av artificiell intelligens. Inom maskininlärning är övervakad inlärning det mest använda området. Övervakad inlärning gör att datorer kan lära sig att utföra uppgifter genom att upptäcka och utnyttja komplexa mönster i stora datamängder. I det specifika fallet med data från elektroniska journaler tillåter Machine Learning-algoritmer oss att använda historiska data för varje patient så att datorn lär sig att förutse framtida händelser på ett personligt sätt.
2. andra fasen: Extern validering av modellerna som skapades i den första fasen i en kohort av patienter som opererades 2020 på samma centra. Metodiken som föreslagits av Debray et al. kommer att tillämpas.
3. tredje fasen: Utvärdering av resultat efter implementeringen av modellerna i EHR på Galdakao-Usansolo Hospital i form av en "Action Guide". Utifrån den riskstratifiering som genomförts i de tidigare faserna kommer anestesiavdelningen att ta fram rekommendationer för åtgärder efter risknivå. Andelen dödlighet och intra- och postoperativa komplikationer kommer att jämföras med hjälp av en kvasi-experimentell interventionsstudie, där resultaten från HGU-sjukhuset jämförs där riskskalan och de därav följande rekommendationerna kommer att implementeras, före och efter dess implementering, och även jämföra dem med andelen patienter som blir komplicerade och/eller dör i HU, HUB, HUD och HUA, där vanlig klinisk praxis kommer att följas, baserat på ASA-skalan. Denna blivande kohort kommer, när riskskalan har implementerats, även att användas för extern validering (2020-2021).

Sociodemografiska och kliniska variabler (huvuddiagnos, komorbiditeter, behandlingar, tidigare ingrepp, intraoperativa data, postoperativa data, ingrepp som utförs under sjukhusvistelse och komplikationer upp till en månad efter sjukhusutskrivning) och laboratorieparametrar kommer att samlas in.

Denna information kommer att extraheras från osabides globala dataexploateringssystem, Oracle Business Intelligence, och laboratoriedata kommer att extraheras från informationssystemen i de kliniska laboratorierna i de inblandade centren.