通过建立机器学习辅助方法预防术后肺部并发症 (PEPPERMINT)

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。

1. 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。
2. 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。
3. 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。
4. 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)。
5. 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。
6. 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。
7. 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。
8. Miskovic, A. 和 Lumb, A.B. (2017)。 术后肺部并发症。 Br J Anaesth，118(3)，317-334。