Nowe modele ML wykazują dużą dokładność w przewidywaniu powikłań po operacji przepukliny brzusznej

Modele uczenia maszynowego (ML) opracowane przez chirurgów z University of Texas MD Anderson Cancer Center w Houston wykazały wysoki poziom dokładności w przewidywaniu, u których typów pacjentów występuje największe prawdopodobieństwo nawrotu przepukliny lub innych powikłań. Wyniki poszukiwań zostały opisane w „artykule w prasie” opublikowanym na stronie internetowej Dziennik Amerykańskiego Kolegium Chirurgów (Jacek).

Naprawa przepukliny brzusznej-; Przepuklina, która pojawia się, gdy wybrzuszenie pojawia się w mięśniach brzucha-; Jest to powszechna operacja, z ponad 400 000 wykonywanymi rocznie w Stanach Zjednoczonych, jednak ponad jedna trzecia tego typu przepuklin nawraca lub pacjenci doświadczają innego rodzaju powikłań pooperacyjnych.

„Odkryliśmy, że algorytm uczenia maszynowego, wyszkolony na podstawie naszych własnych danych, może dokładnie przewidzieć wystąpienie powikłań po złożonej naprawie ściany jamy brzusznej” – powiedział starszy autor badania Abbas Hassan, doktorant i doktorant na Wydziale Chirurgii Plastycznej. . MD Andersona. „Udało im się również zidentyfikować czynniki związane ze słabymi wynikami”.

Dr Hassan i współpracownicy twierdzą, że jest to pierwsze badanie opisujące zastosowanie ML do przewidywania powikłań pooperacyjnych rekonstrukcji ściany jamy brzusznej.

Przepukliny brzuszne mogą wystąpić u pacjentów, którzy przeszli operację jamy brzusznej w celu innym niż naprawa przepukliny, na przykład usunięcie pęcherzyka żółciowego lub, w wielu przypadkach w MD Anderson, usunięcie guza i pobliskiej tkanki, a nawet części narządu. Chirurdzy zauważają, że przy ponad 4 Rocznie w Stanach Zjednoczonych przeprowadza się milion operacji jamy brzusznej, a zapotrzebowanie na rekonstrukcję ściany jamy brzusznej rośnie.

o nauce

Naukowcy przeanalizowali 725 pacjentów, którzy przeszli otwartą operację w celu naprawy przepukliny brzusznej w MD Anderson od 1 marca 2005 do 30 czerwca 2019. Wyniki pooperacyjne obejmowały nawrót przepukliny, zmianę powierzchni pola operacyjnego i ponowne przyjęcie do szpitala w ciągu 30 dni od pierwszego wypisania ze szpitala .

Zespół badawczy, kierowany przez starszego autora Charlesa E. Butlera, MD, FACS, wykorzystał dane od tych 725 pacjentów do opracowania dziewięciu nadzorowanych algorytmów ML, które z powodzeniem znalazły przewidywalne wyniki. Modele uwzględniały dane demograficzne i cechy pacjentów, takie jak palenie tytoniu i inne schorzenia. Modele uwzględniały również wyniki pacjentów i cechy samego procesu, takie jak technika chirurgiczna. Dr Butler jest profesorem i kierownikiem Katedry Chirurgii Plastycznej oraz kierownikiem Katedry Chirurgii Charlesa B. Parkera w MD Anderson.

Wskaźniki dokładności i określone czynniki ryzyka

Modele ML osiągnęły średnie wskaźniki dokładności w następujący sposób:

• 85% do przewidzenia nawrotu przepukliny
• 72%, aby przewidzieć wystąpienie miejsca operacji
• 84% do przewidzenia 30-dniowego ponownego przyjęcia do szpitala

Głębsza analiza wykazała, że ​​czynnikami przyczyniającymi się do zwiększonego ryzyka nawrotu przepukliny były istniejące naruszenie mięśnia prostego przedniej ściany jamy brzusznej, otyłość oraz technika naprawy mostu, która wykorzystuje siatkę do poszerzenia ubytku przepukliny.

Badania naukowe

Dr Butler wyjaśnił powody rozwoju modeli ML. „To naprawdę ważne, aby chirurdzy zrozumieli, jakie są czynniki ryzyka związane z rekonstrukcją ściany jamy brzusznej” – powiedział. „To częsty problem, z którym borykają się chirurdzy w prawie każdej podspecjalizacji chirurgii. Powoduje to ogromne obciążenie finansowe, emocjonalne i fizyczne systemu opieki zdrowotnej oraz pacjentów dotkniętych tym problemem, a także chirurgów, którzy mają do czynienia z tymi problemami”.

Wielu pacjentów odczuwa dyskomfort i stres, jeśli rozwinie się przepuklina, a także jeśli przepuklina nawróci po nieudanej operacji mającej na celu jej naprawę. „Wszelkie informacje, które możemy mieć, aby przewidzieć i ewentualnie uniknąć lub złagodzić niektóre z tych negatywnych skutków, przyniosą ogromne korzyści pacjentom, ich wynikom i dobremu finansowaniu systemu opieki zdrowotnej” – powiedział dr Butler. .

Dr Hassan przytoczył badania, które wykazały, że samo zmniejszenie nawrotów przepukliny o 1% pozwoliłoby zaoszczędzić amerykańskiemu systemowi opieki zdrowotnej 30 milionów dolarów, zgodnie z badaniem z 2012 roku.¹ „Ograniczenie powikłań jest tak naprawdę jednym z głównych celów rekonstrukcji ściany brzucha” – powiedział dr Hassan. „Pacjenci, u których wystąpią powikłania, mogą wymagać ponownej hospitalizacji lub ponownej operacji, co prowadzi do zwiększonej zachorowalności, śmiertelności i kosztów opieki zdrowotnej, a także do obniżenia jakości życia. Dlatego staje się to poważnym problemem, gdy opiekujemy się pacjentami z obniżoną odpornością na raka.”

Zmniejszenie czynników ryzyka prowadzących do powikłań

Dr Butler powiedział, że celem jest zintegrowanie szerszego zestawu danych z modelami ML i stworzenie kalkulatorów ryzyka, które mogą wyraźniej pomóc chirurgom w identyfikacji pacjentów z największym ryzykiem powikłań po operacji przepukliny brzusznej i potencjalnych czynników ryzyka, które można zmodyfikować w celu zwiększenia szans powodzenie. „A potem możesz prowadzić szczerą dyskusję w czasie rzeczywistym i ustalać cele z pacjentami” – powiedział. Na przykład możesz użyć kalkulatora ryzyka, aby wyjaśnić pacjentowi, że Twoja szansa na nawrót przepukliny zmniejszy się o pewien procent, jeśli schudniesz, obniżysz HbA1c^*i rzucić palenie. Ponadto ryzyko miejsca operacji zmniejszy się, wykonując te czynności o inny procent. „To podejście daje pacjentom precyzyjne i namacalne cele oraz zapewnia realistyczną motywację do aktywnego udziału w poprawie ich własnych wyników w zakresie rekonstrukcji ściany jamy brzusznej.

„Wierzymy, że modele można ulepszyć i uczynić bardziej uogólnionymi w kolejnych iteracjach, a obecnie rozpoczynamy wieloośrodkowe badanie w celu walidacji modeli i opracowania zintegrowanego narzędzia tego rodzaju, które wykorzystuje te modele oraz dane kliniczne i dane obrazowe, które zapewniają potężne narzędzie prognozowania” – powiedział dr Hassan. W przyszłości to narzędzie zostanie zintegrowane z elektroniczną kartoteką medyczną i interfejsami mobilnymi”.