通过建立机器学习辅助方法预防术后肺部并发症 (PEPPERMINT)
术后肺部并发症 (postoperative pulmonary complications, POPC) 在全身麻醉后很常见,是手术患者发病率和死亡率增加的主要原因 [1]。 然而,被认为有效的 POPC 预防和治疗方法占用了人力和技术资源 [2,3]。 因此,计划中的研究项目的目的是在使用围手术期临床常规数据和恢复室收集的超声成像数据的定制机器学习算法的基础上,能够可靠地识别高危患者。 随机临床试验将包括 512 名在全身麻醉下接受择期手术的患者。 主要成果将是 POPC 的开发。 我们研究的目的是在术后肺部并发症出现临床表现之前检测它们。
- Fernandez-Bustamante, A., Frendl, G., Sprung, J., Kor, D.j., Subramaniam, B., Ruiz, R.M., Le, J., Henderson, W.G., Moss, A., Mehdiratta, N., Colwell , M. M., Bartels, K., Kolodzie, K., Giquel, J., Melo, M.F.V.M. (2017)。 非心胸外科手术后的肺部并发症、早期死亡率和住院时间:一项由围手术期研究网络调查员开展的多中心研究。 JAMA Surg,152(2),157-166。
- Ferreyra, G.P.、Baussano, I.、Squadrone, V.、Richiardi, L.、Marchiaro, G.、Del Sorbo, L.、Mascia, L.、Merletti, F.、Ranieri, V.M. (2008)。 持续气道正压通气治疗腹部手术后呼吸系统并发症:一项系统评价和荟萃分析。 安外科,247(4),617-26。
- Miskovic, A. 和 Lumb, A.B. (2017)。 术后肺部并发症。 Br J Anaesth,118(3),317-334。
研究概览
地位
条件
详细说明
据报道,术后肺部并发症 (POPC) 的发生率为 9-40%,具体取决于外科手术。 各种术前风险因素是已知的,但通常无法改变。 较早的出版物的一个主要问题是长期以来没有明确定义结果参数“肺部并发症”。 直到 2018 年,围手术期医学标准化终点 (StEP) 协作才制定了标准化定义 [1]。 由于临床相关性高 - POPC 是术后发病率和死亡率的主要原因 - 已经开发了用于术前预测 POPC 的临床评分系统,但其预测质量仍有待提高 [2]。 目前用于预测术后肺部并发症的最佳评估评分(ARISCAT:评估加泰罗尼亚手术患者的呼吸风险)具有足够的敏感性,但缺乏特异性 [3]。 因此,用于根据术前常规数据确定风险的机器学习方法也正在接受测试 [4]。
作为一种可以在床边进行的非侵入性检查方法,超声检查变得越来越重要。 已经开发出各种超声评分和模型来预测肺部并发症 [5]。 图像处理方法和机器学习,特别是深度学习也越来越多地用于超声诊断 [6,7]。 用于开发机器学习算法的常规临床数据和成像数据的组合尚未经过测试。 然而,除了超声成像之外,使用术前和术中临床信息的增强算法有望比各自的单独方法具有更好的预测准确性。 此外,迄今为止还缺乏对基于机器学习算法的预测模型的前瞻性临床评估,尽管它们在“受试者工作特征下的面积”(AUROC)、各自测试和验证数据集中的准确性和精确度方面显示出良好的价值,这是考虑了此类模型预测质量的常用度量 [4]。
预防 POPC 的措施是已知的 [8],但由于需求的增加,尤其是对人力资源的需求,可能并未始终如一地应用于临床常规。 因此,我们的目标是根据机器学习算法识别有 POPC 风险的患者。
所有患者都在接受相同的研究方案来开发机器学习模型。 围手术期临床常规数据将按标准进行评估。 术后,将在恢复室进行标准化的肺部超声检查。 然后患者将在术后第 1、3 和 7 天到病房进行临床检查,以根据 StEP 协作制定的标准检测 POPC。
根据我们的病例数计算,我们将包括 512 名在全身麻醉下接受选择性外科手术的成年患者。 围手术期常规数据以及术后临床检查数据将被评估并存储在医院内部数据库中。 来自肺部超声检查的图像数据将在 PACS 中存档以供进一步处理。 根据收集到的数据,将训练基于神经网络的机器学习算法来预测 POPC。 该模型是使用面向统计的编程语言 R 和 TensorFlow 框架(一种基于编程语言 Python 的深度学习软件库)的匿名数据创建的。 使用接收者操作员特征下的面积 (AUROC) 以及精确召回曲线下的面积 (AUPRC) 评估创建的预测模型的预测质量,并将其与 ARISCAT 分数的值进行比较,ARISCAT 分数是估计预测结果的通用分数POPC 的风险。
通过使用临床常规和成像数据的增强机器学习算法进行精确的风险评估,具有改善患者预后的巨大潜力,也有助于降低医疗保健成本。
- 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) 围手术期医学标准化终点的系统评价和共识定义:肺部并发症。 Br J Anaesth,120(5) 1066-1079。
- Ball, L. 和 Pelosi, P.(2016 年)。 术后肺部并发症的预测评分:进入临床实践的时间。 Minerva 麻醉剂,82(3) 265-267。
- Nithiuthai, J.、Siriussawakul, A.、Junkai, R.、Horugsa, N.、Jarungjitaree, S.、Triyasunant, N. (2021)。 ARISCAT 评分是否有助于预测老年患者上腹部手术后肺部并发症的发生率? 在一所大学医院进行的一项观察性研究。 Perioper Med(伦敦),10(1) 43。
- Xue, B., Li, D., Lu, C., King, C.R., Wildes, T., Avidan, M.S., Kannampallil, T., Abraham, J. (2021) 使用机器学习开发和评估模型确定术后并发症风险的术前和术中数据。 Jama 网络公开赛,4(3)。
- Szabo, M.、Bozó, A.、Darvas, K.、Soós, S.、Özsem M.、Iványi, Z.D. (2021) 超声肺通气评分在预测术后肺部并发症中的作用:一项观察性研究。 BMC 麻醉剂,21(1) 19。
- 范斯隆,R.J.G.和 Demi, L. (2020) 通过弱监督深度学习在肺部超声检查中定位 B 线,体内结果。 IEEE J Biomed Health Inform,24(4) 957-964。
- 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(重症监护和麻醉研究组超声)(2022) 用于区分急性呼吸窘迫综合征的胸膜超声图像的二阶灰度纹理分析和心源性肺水肿。 J Clin Monit Comput,36(1) 131-140。
- Miskovic, A. 和 Lumb, A.B. (2017)。 术后肺部并发症。 Br J Anaesth,118(3),317-334。
研究类型
注册 (预期的)
联系人和位置
学习联系方式
- 姓名:Britta Trautwein, MD
- 电话号码:00731 500 60227
- 邮箱:britta.trautwein@uniklinik-ulm.de
研究联系人备份
- 姓名:Simone Kagerbauer, PD
- 电话号码:00731 500 60254
- 邮箱:simone.kagerbauer@uni-ulm.de
参与标准
资格标准
适合学习的年龄
接受健康志愿者
有资格学习的性别
取样方法
研究人群
描述
纳入标准:
计划在全身麻醉下进行择期外科手术的成年患者
排除标准:
18岁以下患者,门诊手术,术后入住重症监护病房
学习计划
研究是如何设计的?
设计细节
队列和干预
团体/队列 |
---|
机器学习模型的开发
围手术期临床常规数据将按标准进行评估。
术后,将在恢复室进行标准化的肺部超声检查。
然后,患者将在术后第 1、3 和 7 天到病房进行临床检查,以根据 StEP 协作制定的标准检测术后肺部并发症。
|
研究衡量的是什么?
主要结果指标
结果测量 |
措施说明 |
大体时间 |
---|---|---|
发生术后肺部并发症 (POPC) 的患者人数
大体时间:术后第 7 天或出院当天
|
POPC 根据 StEP 协作的标准。
这包括在术后第 1、3 和 7 天对患者进行临床检查和面谈。
|
术后第 7 天或出院当天
|
合作者和调查者
出版物和有用的链接
一般刊物
- Fernandez-Bustamante A, Frendl G, Sprung J, Kor DJ, Subramaniam B, Martinez Ruiz R, Lee JW, Henderson WG, Moss A, Mehdiratta N, Colwell MM, Bartels K, Kolodzie K, Giquel J, Vidal Melo MF. Postoperative Pulmonary Complications, Early Mortality, and Hospital Stay Following Noncardiothoracic Surgery: A Multicenter Study by the Perioperative Research Network Investigators. JAMA Surg. 2017 Feb 1;152(2):157-166. doi: 10.1001/jamasurg.2016.4065.
- Szabo M, Bozo A, Darvas K, Soos S, Ozse M, Ivanyi ZD. The role of ultrasonographic lung aeration score in the prediction of postoperative pulmonary complications: an observational study. BMC Anesthesiol. 2021 Jan 14;21(1):19. doi: 10.1186/s12871-021-01236-6.
- Miskovic A, Lumb AB. Postoperative pulmonary complications. Br J Anaesth. 2017 Mar 1;118(3):317-334. doi: 10.1093/bja/aex002.
- Abbott TEF, Fowler AJ, Pelosi P, Gama de Abreu M, Moller AM, Canet J, Creagh-Brown B, Mythen M, Gin T, Lalu MM, Futier E, Grocott MP, Schultz MJ, Pearse RM; StEP-COMPAC Group. A systematic review and consensus definitions for standardised end-points in perioperative medicine: pulmonary complications. Br J Anaesth. 2018 May;120(5):1066-1079. doi: 10.1016/j.bja.2018.02.007. Epub 2018 Mar 27.
- Ferreyra GP, Baussano I, Squadrone V, Richiardi L, Marchiaro G, Del Sorbo L, Mascia L, Merletti F, Ranieri VM. Continuous positive airway pressure for treatment of respiratory complications after abdominal surgery: a systematic review and meta-analysis. Ann Surg. 2008 Apr;247(4):617-26. doi: 10.1097/SLA.0b013e3181675829.
- Ball L, Pelosi P. Predictive scores for postoperative pulmonary complications: time to move towards clinical practice. Minerva Anestesiol. 2016 Mar;82(3):265-7. Epub 2015 Sep 4. No abstract available.
- Nithiuthai J, Siriussawakul A, Junkai R, Horugsa N, Jarungjitaree S, Triyasunant N. Do ARISCAT scores help to predict the incidence of postoperative pulmonary complications in elderly patients after upper abdominal surgery? An observational study at a single university hospital. Perioper Med (Lond). 2021 Dec 8;10(1):43. doi: 10.1186/s13741-021-00214-3.
- Xue B, Li D, Lu C, King CR, Wildes T, Avidan MS, Kannampallil T, Abraham J. Use of Machine Learning to Develop and Evaluate Models Using Preoperative and Intraoperative Data to Identify Risks of Postoperative Complications. JAMA Netw Open. 2021 Mar 1;4(3):e212240. doi: 10.1001/jamanetworkopen.2021.2240.
- van Sloun RJG, Demi L. Localizing B-Lines in Lung Ultrasonography by Weakly Supervised Deep Learning, In-Vivo Results. IEEE J Biomed Health Inform. 2020 Apr;24(4):957-964. doi: 10.1109/JBHI.2019.2936151. Epub 2019 Aug 19.
- Brusasco C, Santori G, Tavazzi G, Via G, Robba C, Gargani L, Mojoli F, Mongodi S, Bruzzo E, Tro R, Boccacci P, Isirdi A, Forfori F, Corradi F; UCARE (Ultrasound in Critical care and Anesthesia Research Group). Second-order grey-scale texture analysis of pleural ultrasound images to differentiate acute respiratory distress syndrome and cardiogenic pulmonary edema. J Clin Monit Comput. 2022 Feb;36(1):131-140. doi: 10.1007/s10877-020-00629-1. Epub 2020 Dec 12.
研究记录日期
研究主要日期
学习开始 (预期的)
初级完成 (预期的)
研究完成 (预期的)
研究注册日期
首次提交
首先提交符合 QC 标准的
首次发布 (实际的)
研究记录更新
最后更新发布 (实际的)
上次提交的符合 QC 标准的更新
最后验证
更多信息
此信息直接从 clinicaltrials.gov 网站检索,没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求,请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改,我们的网站上也会自动更新.