Включение сложности процедуры и навыков хирурга в модели результатов поможет уменьшить количество осложнений у пациентов.

По оценкам, в течение 30 дней после общей хирургии от 5,8% до 43,5% хирургических вмешательств будут иметь осложнения. Неопределенность в отношении этого значения во многом связана с типом процедуры, местом ее проведения и определением «осложнения», но как бы вы на это ни смотрели, хирургические осложнения не так уж редки.

Не уменьшается и количество хирургических вмешательств. По оценкам, в 2004 году во всем мире было выполнено 234 миллиона процедур, а в 2012 году это число увеличилось до 313 миллионов [2]. В 2018 году в общественных больницах США было проведено 19 миллионов амбулаторных операций (не требующих пребывания в больнице на ночь).[3]

В совокупности это означает, что количество осложнений, возникающих в результате операции, огромно и продолжает расти.

Итак, как мы можем уменьшить хирургические осложнения?

Существует множество идей и подходов к тому, как уменьшить количество осложнений. Подход, основанный на использовании методов статистики или машинного обучения (ML), пытается предсказать для конкретного пациента, какова вероятность того, что у него возникнут осложнения. Поскольку может быть несколько типов осложнений, связанных с операцией, задача состоит в том, чтобы также попытаться предсказать шансы для каждой из возможностей.

Способность делать правильные прогнозы хирургических рисков может оказать огромное влияние на улучшение результатов лечения пациентов. Используя эту информацию, вы сможете лучше подготовиться к конкретным проблемам до того, как они возникнут — проведите дополнительные тесты, дополнительный мониторинг или более частые проверки. В некоторых случаях можно даже предпринять превентивные шаги, чтобы снизить вероятность возникновения определенных осложнений.

Данные пациентов, очевидно, составляют ядро ​​моделей, которые могут помочь в таких прогнозах, но не вся информация находится на стороне пациентов. Хотя переменные, отражающие мастерство хирурга, трудно измерить, они могут помочь в построении более точных прогностических моделей. Это то, на что мы недавно наткнулись сами.

Мы пытались создать простые модели машинного обучения для прогнозирования трех осложнений, характерных для хирургической процедуры: несостоятельность анастомоза после колэктомии, утечка желчи после гепатэктомии и фистула поджелудочной железы после панкреатодуоденэктомии. Не вдаваясь в подробности, эти осложнения могут быть серьезными, и хирургические процедуры, с которыми они связаны, связаны с множеством возможностей для возникновения проблем. Мы сравнивали наши модели с моделями логистической регрессии (LR), которые являются стандартным методом, лежащим в основе современных инструментов прогнозирования, используемых хирургами.

На основе данных, охватывающих около 200 000 пациентов, мы обнаружили, что методы ML работают лучше, чем стандартный подход LR, хотя и незначительно. Небольшие различия, но достаточные, чтобы захотеть создать свои модели с использованием чего-то другого, кроме логистической регрессии.

Однако, что было действительно интересно, так это то, что модели, которые включали интраоперационную информацию, работали лучше, чем те, которые не включали ее.

Чтобы было ясно, интраоперационная информация — это данные, полученные во время операции. Он включает в себя такую ​​информацию, как использованный хирургический доступ, была ли выполнена реконструкция части ткани/органа, текстура органа, наблюдаемая во время процедуры, и аналогичная информация. Он может даже включать такие вещи, как количество скоб, использованных во время процедуры.

Таким образом, использование интраоперационной информации в моделях улучшило нашу способность прогнозировать неблагоприятные исходы. Сложность этих процедур означает, что мастерство хирурга, а также другие внешние факторы могут существенно повлиять на успешность операции.

Роль хирургического мастерства, вероятно, всегда признавалась, но теперь на нее начинают смотреть более прямо, с попытками ее количественной оценки. Одним из первых примеров является исследование 2013 года, в котором оценивались навыки 20 бариатрических хирургов. Ранжирование проводилось путем экспертной оценки видео каждого хирурга, показывающего, как они выполняют процедуру обходного желудочного анастомоза.[5] Затем авторы рассмотрели взаимосвязь между этими рейтингами навыков и частотой осложнений у своих хирургических пациентов. Они обнаружили, что у хирургов из нижней четверти были более высокие показатели осложнений и смертности, наряду с более длительными операциями и более высокими показателями повторных операций и повторных госпитализаций.

Помимо самой процедуры, процессы и процедуры в конкретной больнице, а также то, насколько хорошо они реализованы, также влияют, по крайней мере, на некоторые послеоперационные осложнения. Квалификация вспомогательного хирургического персонала также является частью уравнения.

Мастерство имеет значение.

Таким образом, настоящая хитрость заключается в том, как собрать эту информацию для использования в инструментах, которые помогают рассчитать риск для пациента, а также придумать способы повышения уровня навыков хирурга и вспомогательного персонала на протяжении всей их карьеры. Для тех, кто работает в сфере трансляционного ИИ, действительно необходимы способы расширения возможностей медицинских работников на протяжении всего путешествия пациента по больнице и за его пределами.

Ссылки и примечания

Все ссылки находятся в открытом доступе и бесплатны для общественности.

[1] Тевис С.Е., Кеннеди Г.Д. 2013. Послеоперационные осложнения и влияние на исходы, ориентированные на пациента. Журнал хирургических исследований 181:106–113.

[2] ГП Добсон ГП. 2020. Травма большой хирургии: глобальная проблема, от которой не уйти. Международный хирургический журнал. 81:47–54.

[3] McDermott KW, Liang L. 2021. Обзор крупных амбулаторных операций, выполненных в больничных учреждениях, 2019. Доступно по адресу https://www.hcup-us.ahrq.gov/reports/statbriefs/sb287. -Ambulary-Surgery-Overview-2019.pdf.

[4] Чен К.А., Бергински М.Е., Десаи К.С., Гиллем Дж.Г., Стем Дж., Гомес С.М., Кападиа М.Р. 2022. Дифференциальная производительность моделей машинного обучения при прогнозировании результатов, специфичных для процедуры. Журнал желудочно-кишечной хирургии: официальный журнал Общества хирургии желудочно-кишечного тракта. DOI: 10.1007/s11605–022–05332-x.

[5] Биркмейер Дж. Д., Финкс Дж. Ф., О'Рейли А., Эрлайн М., Карлин А. М., Нанн А. Р., Димик Дж., Банерджи М., Биркмейер Н. Дж. О., Мичиганское сотрудничество бариатрической хирургии. 2013. Хирургическое мастерство и частота осложнений после бариатрических операций. Медицинский журнал Новой Англии 369:1434–1442.