Failure of Cross-Procedure Transportability of Preoperative Prolonged Length-of-Stay Prediction From VATS to Esophagectomy: A Locked Model Evaluation Study
Questo studio dimostra che i modelli di predizione preoperatoria per la degenza prolungata sviluppati per pazienti sottoposti a chirurgia toracica video-assistita (VATS) non si trasferiscono in modo affidabile ai pazienti sottoposti a esofagectomia senza modifiche, esibendo una scarsa capacità discriminativa e significativi errori di calibrazione quando applicati come pipeline bloccate.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Gli ospedali si affidano a previsioni accurate per gestire le proprie risorse e assistere i pazienti in modo efficace. Uno dei parametri più critici in questa pianificazione è la durata della degenza, ovvero il numero di giorni in cui un paziente rimane in ospedale dopo un intervento chirurgico. Sebbene una guarigione rapida sia l'ideale, molti fattori influenzano quanto a lungo un paziente rimanga effettivamente in ospedale, tra cui complicazioni, le pratiche specifiche del chirurgo e le condizioni fisiche generali del paziente. I medici utilizzano spesso modelli informatici per prevedere queste durate ancora prima che l'operazione abbia inizio. Questi modelli analizzano l'età del paziente, la funzione polmonare e altri dati sanitari per stimare il rischio di un ricovero prolungato. La speranza è che, conoscendo chi potrebbe rimanere più a lungo, i team medici possano prepararsi meglio, allocare i letti in modo più efficiente e assistere i pazienti che necessitano di cure extra. Tuttavia, rimane un grande interrogativo: un modello costruito per prevedere il recupero per un certo tipo di chirurgia funziona altrettanto bene per un altro tipo di chirurgia, anche se entrambe vengono eseguite nello stesso ospedale?
I ricercatori dell'Ospedale Renmin dell'Università di Wuhan si sono posti l'obiettivo di rispondere a questa domanda testando un sistema di previsione attraverso due procedure chirurgiche molto diverse tra loro. Hanno iniziato con un modello progettato per i pazienti sottoposti a chirurgia toracoscopica video-assistita, una procedura mini-invasiva per i polmoni. Questo modello è stato costruito utilizzando i dati di 301 pazienti e includeva informazioni cliniche standard come l'età e l'abitudine al fumo, nonché misurazioni effettuate tramite TAC routinarie del torace, guardando specificamente allo spessore del muscolo e del grasso nell'area toracica. I ricercatori hanno poi preso esattamente questo stesso modello, senza cambiare un singolo numero o regola, e lo hanno applicato a un gruppo completamente diverso di 299 pazienti che stavano affrontando un esofagectomia, un intervento molto più complesso per rimuovere parte dell'esofago. L'obiettivo era vedere se le previsioni reggevessero quando il contesto passava da una procedura polmonare a una esofagea.
I risultati di questo test sono stati chiari e definitivi: il modello non è riuscito a funzionare per il secondo gruppo di pazienti. Quando i ricercatori hanno applicato il modello per la chirurgia polmonare ai pazienti di chirurgia esofagea, esso ha perso quasi tutta la capacità di distinguere tra coloro che avrebbero avuto un recupero lungo e coloro che si sarebbero ripresi rapidamente. In termini statistici, le prestazioni del modello sono scese a un livello non migliore di un tentativo casuale. Inoltre, il modello ha costantemente sovrastimato il rischio: ha previsto che quasi la metà dei pazienti di chirurgia esofagea avrebbe avuto una degenza prolungata, quando in realtà solo circa un quarto di essi l'ha avuta. L'inclusione delle misurazioni TC, che dovevano aggiungere ulteriore precisione osservando la composizione corporea, non ha aiutato. Di fatto, per i pazienti esofagei, il modello con i dati TC è diventato così rigido da produrre la stessa previsione per ogni singola persona, rendendolo inutile per la valutazione individuale.
Lo studio ha anche esplorato se il modello potesse essere corretto semplicemente regolando i suoi numeri di base per farli corrispondere al nuovo gruppo di pazienti. Sebbene questa regolazione avesse corretto la media delle previsioni, facendo sì che la stima del rischio complessivo corrispondesse alla realtà del gruppo di chirurgia esofagea, non aveva ripristinato la capacità del modello di distinguere i pazienti tra loro. Il modello non era ancora in grado di identificare quali individui specifici fossero a maggior rischio. I ricercatori hanno scoperto che i due gruppi di pazienti erano fondamentalmente diversi in modi che il modello non teneva in considerazione. I pazienti sottoposti a chirurgia esofagea erano più anziani, avevano maggiori probabilità di essere maschi e presentavano misurazioni della funzione polmonare e del grasso corporeo significativamente diverse rispetto ai pazienti della chirurgia polmonare. Poiché il modello era stato costruito sulle caratteristiche specifiche del primo gruppo, non poteva traslare la sua logica nel secondo gruppo.
Questa ricerca dimostra un limite cruciale per gli strumenti di previsione medica. Dimostra che un modello sviluppato per una specifica procedura chirurgica non può essere assunto come funzionante per un'altra, anche all'interno dello stesso ospedale e utilizzando le stesse fonti di dati. Il fallimento non è stato dovuto a una mancanza di dati o a un difetto nel codice informatico, bensì al fatto che le realtà biologiche e cliniche delle due chirurgie sono troppo distinte. Lo studio conclude che, prima che qualsiasi modello di previsione venga utilizzato per guidare l'assistenza al paziente, esso deve essere rigorosamente testato specificamente per l'esatta popolazione e la procedura per cui è destinato. Cercare di usare uno strumento che funziona per un lavoro per un compito diverso, anche se correlato, è probabilmente destinato a portare a risultati inaccurati e potenzialmente fuorvianti.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.