Failure of Cross-Procedure Transportability of Preoperative Prolonged Length-of-Stay Prediction From VATS to Esophagectomy: A Locked Model Evaluation Study
Diese Studie zeigt, dass präoperative Vorhersagemodelle für eine verlängerte Liegezeit, die für Patienten mit videoassistierter thorakoskopischer Chirurgie (VATS) entwickelt wurden, ohne Modifikation nicht zuverlässig auf Esophagektomie-Patienten übertragbar sind und bei Anwendung als starre Pipelines eine schlechte Diskriminationsfähigkeit sowie signifikante Kalibrierungsfehler aufweisen.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Krankenhäuser verlassen sich auf genaue Vorhersagen, um ihre Ressourcen zu verwalten und ihre Patienten effektiv zu versorgen. Einer der kritischsten Kennzahlen in dieser Planung ist die Verweildauer, also die Anzahl der Tage, die ein Patient nach einer Operation im Krankenhaus bleibt. Während eine schnelle Genesung ideal ist, beeinflussen viele Faktoren, wie lange ein Patient tatsächlich bleibt, einschließlich Komplikationen, der spezifischen Praxis des Chirurgen und des allgemeinen körperlichen Zustands des Patienten. Ärzte nutzen oft Computermodelle, um diese Zeiträume vorherzusagen, noch bevor eine Operation beginnt. Diese Modelle analysieren das Alter eines Patienten, die Lungenfunktion und andere Gesundheitsdaten, um das Risiko eines längeren Krankenhausaufenthalts abzuschätzen. Die Hoffnung ist, dass medizinische Teams durch das Wissen darüber, wer länger bleiben könnte, besser vorbereitet sein, Betten effizienter zuteilen und Patienten, die zusätzliche Betreuung benötigen, gezielter unterstützen können. Es bleibt jedoch eine wesentliche Frage: Funktioniert ein Modell, das zur Vorhersage der Genesung für eine bestimmte Art von Operation entwickelt wurde, auch genauso gut für eine andere Art von Operation, selbst wenn beide im selben Krankenhaus durchgeführt werden?
Forscher des Renmin Hospitals der Wuhan University machten sich daran, diese Frage zu beantworten, indem sie ein Vorhersagesystem bei zwei sehr unterschiedlichen chirurgischen Eingriffen testeten. Sie begannen mit einem Modell, das für Patienten konzipiert wurde, die sich einer videoassistierten thorakoskopischen Chirurgie unterzogen, einem minimalinvasiven Verfahren für die Lunge. Dieses Modell wurde anhand von Daten von 301 Patienten erstellt und enthielt standardmäßige klinische Informationen wie Alter und Rauchergeschichte sowie Messungen aus routinemäßigen CT-Scans des Brustkorbs, wobei speziell auf die Dicke von Muskel- und Fettgewebe im Thoraxbereich geachtet wurde. Die Forscher nahmen dann genau dasselbe Modell, ohne eine einzige Zahl oder Regel zu ändern, und wandten es auf eine völlig andere Gruppe von 299 Patienten an, die sich einer Ösophagektomie unterzogen, einem wesentlich komplexeren Eingriff zur Entfernung eines Teils der Speiseröhre. Das Ziel war es zu sehen, ob die Vorhersagen Bestand hatten, wenn sich der Kontext von einem Lungenverfahren zu einem Eingriff an der Speiseröhre verschob.
Die Ergebnisse dieses Tests waren klar und eindeutig: Das Modell funktionierte für die zweite Patientengruppe nicht. Als die Forscher das Modell für die Lungenchirurgie auf die Patienten der Ösophagektomie anwandten, verlor es fast die gesamte Fähigkeit, zwischen denjenigen zu unterscheiden, die eine lange Genesung haben würden, und denen, die sich schnell erholen würden. In statistischen Begriffen sank die Leistung des Modells auf ein Niveau, das nicht besser als bloßes Raten war. Darüber hinaus überschätzte das Modell das Risiko konsequent; es sagte voraus, dass fast die Hälfte der Patienten der Ösophagektomie einen verlängerten Aufenthalt haben würde, während es in Wirklichkeit nur etwa ein Viertel der ihnen war. Die Einbeziehung der CT-Messungen, die durch die Betrachtung der Körperzusammensetzung zusätzliche Präzision bringen sollten, half nicht. Tatsächlich wurde das Modell mit den CT-Daten für die Patienten der Ösophagektomie so starr, dass es für jede einzelne Person nahezu die gleiche Vorhersage lieferte, was es für eine individuelle Beurteilung unbrauchbar machte.
Die Studie untersuchte auch, ob das Modell korrigiert werden könnte, indem man einfach seine Basiswerte an die neue Gruppe anpasst. Obwohl diese Anpassung die durchschnittliche Vorhersage korrigierte und die Gesamtrisikoabschätzung an die Realität der Ösophagektomie-Gruppe anpasste, stellte sie nicht die Fähigkeit des Modells wieder her, die einzelnen Patienten voneinander zu unterscheiden. Das Modell konnte immer noch nicht identifizieren, welche spezifischen Individuen ein höheres Risiko hatten. Die Forscher fanden heraus, dass die beiden Patientengruppen sich in einer Weise grundlegend unterschieden, die das Modell nicht berücksichtigte. Die Patienten, die sich einer Ösophagektomie unterzogen, waren älter, eher männlich und wiesen signifikant andere Lungenfunktions- und Körperfettmesswerte auf als die Patienten der Lungenchirurgie. Da das Modell auf den spezifischen Merkmalen der ersten Gruppe aufgebaut war, konnte es seine Logik nicht auf die zweite Gruppe übertragen.
Diese Forschung demonstriert eine entscheidende Grenze für medizinische Vorhersagewerkzeuge. Sie zeigt, dass ein für ein chirurgisches Verfahren entwickeltes Modell nicht als für ein anderes geeignet vorausgesetzt werden kann, selbst innerhalb desselben Krankenhauses und unter Verwendung derselben Datenquellen. Das Scheitern lag nicht an einem Mangel an Daten oder einem Fehler im Computercode, sondern vielmehr daran, dass die biologischen und klinischen Realitäten der beiden Operationen zu verschieden sind. Die Studie kommt zu dem Schluss, dass vor der Anwendung eines Vorhersagemodells zur Steuerung der Patientenversorgung dieses rigoros spezifisch für die exakte Population und das vorgesehene Verfahren getestet werden muss. Einfach ein Werkzeug, das für eine Aufgabe funktioniert, zu nehmen und zu versuchen, es für eine andere Aufgabe zu verwenden – selbst eine verwandte –, führt wahrscheinlich zu ungenauen und potenziell irreführenden Ergebnissen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.