Jämförelse mellan traditionella riskbedömningar och en AI-baserad multimodal modell för att förutsäga kardiovaskulära händelser efter gastrointestinal kirurgi (GI-MACE-AI)

Stora kardiovaskulära händelser efter gastrointestinal kirurgi förblir en viktig orsak till tidiga postoperativa komplikationer och dåliga utfall. Traditionella perioperativa kardiella riskpoäng, inklusive Revised Cardiac Risk Index (RCRI), American College of Surgeons National Surgical Quality Improvement Program Myocardial Infarction or Cardiac Arrest calculator (ACS NSQIP MICA), och ACS NSQIP Surgical Risk Calculator (ACS NSQIP SRC), används ofta i klinisk praktik. Deras prestanda kan dock vara begränsad i specifika kirurgiska populationer och kanske inte helt fångar komplexa interaktioner mellan kliniska, laboratorie-, fysiologiska och procedurmässiga variabler.

Denna observationsstudie syftar till att utveckla och utvärdera en artificiell intelligens (AI)-baserad multimodal modell för att förutsäga stora kardiovaskulära händelser inom 30 dagar efter gastrointestinal kirurgi och att jämföra dess prediktiva prestanda med traditionella riskpoäng. Studien kommer att genomföras på Bach Mai-sjukhuset och kommer att inkludera vuxna patienter som genomgår gastrointestinal kirurgi. Studien använder ett blandat retrospektivt-prospektivt design, med retrospektiv datainsamling från patienter behandlade 2025 och prospektiv datainsamling 2026.

Det kliniska utfallsmålet för prediktion är förekomsten av stora kardiovaskulära händelser inom 30 dagar efter operation. Dessa händelser inkluderar kardiovaskulär död, icke-dödligt hjärtinfarkt, hjärtstopp med återgång av spontan cirkulation, ny stroke och kliniskt signifikanta arytmier som kräver behandling. Data som används för modellutveckling och jämförelse kan inkludera demografiska egenskaper, medicinsk historia, kardiovaskulära komorbiditeter, kirurgiska egenskaper, anestesiinformation, preoperativa laboratorieresultat, elektrokardiografiska fynd, biomarkörer när tillgängliga, och funktionella eller riskbedömningsvariabler.

Studiens primära utfall är diskrimineringsprestandan för den AI-baserade multimodala modellen jämfört med traditionella riskpoäng, mätt med area under receiver operating characteristic-kurvan för att förutsäga 30-dagars stora kardiovaskulära händelser efter gastrointestinal kirurgi. Sekundära utfall inkluderar kalibreringsprestanda, nettoomklassificeringsförbättring och integrerad diskriminationsförbättring av den AI-baserade multimodala modellen jämfört med traditionella riskpoäng, inklusive RCRI, ACS NSQIP MICA och ACS NSQIP SRC.

Studien är observationsbaserad och kommer inte att ändra rutinmässig perioperativ hantering. Data kommer att erhållas från befintliga journaler och prospektiv klinisk insamling, kodade för konfidentialitet, och analyserade för att stödja riskstratifiering och modelljämförelse hos patienter som genomgår gastrointestinal kirurgi.