Using multiomic data to predict postoperative complications after major surgery in the UK Biobank cohort

In de UK Biobank-cohortstudie bleek dat het toevoegen van metabolomische en proteomische data aan standaard klinische variabelen geen klinisch waardevolle verbetering opleverde in het voorspellen van postoperatieve complicaties, waarschijnlijk vanwege de grote tijdsafstand tussen de bemonstering en de operatie.

De kern

De Kernvraag: Kunnen we de toekomst voorspellen met een oude foto?

Stel je voor dat je een auto wilt verkopen. Je wilt weten of de motor over vijf jaar nog goed loopt.

• De traditionele methode: Je kijkt naar de kilometerstand, het bouwjaar en of de eigenaar rookt. Dit zijn de "standaard klinische gegevens" (leeftijd, ziektegeschiedenis).
• De nieuwe methode (die de onderzoekers wilden testen): Je neemt een heel gedetailleerde foto van de motorolie, de banden en de chroomlaag vandaag. De vraag is: helpt deze super-detaillle foto je beter om te voorspellen of de auto over vijf jaar kapot gaat, dan alleen naar de kilometerstand kijken?

De onderzoekers uit Bristol (VK) hebben dit onderzocht, maar dan met mensen in plaats van auto's. Ze wilden weten of nieuwe, dure bloedtesten (metabolomics en proteomics) artsen kunnen helpen om te voorspellen of een patiënt na een grote operatie complicaties krijgt, zoals een hartaanval, nierfalen of een infectie.

Wat deden ze precies?

1. De Database: Ze keken naar het "UK Biobank". Dit is een enorme bibliotheek met gezondheidsgegevens van half een miljoen Britten.
2. Het Probleem met de Tijd: Hier zit de twist. De bloedproeven van deze mensen waren vaak 6 jaar geleden afgenomen. De operaties vonden pas later plaats.
   • Vergelijking: Het is alsof je probeert te voorspellen of iemand morgen een ongeluk krijgt, door naar een foto van zijn kleding te kijken die hij 6 jaar geleden droeg.
3. De Test: Ze bouwden slimme computerprogramma's (machine learning).
   • Model A: Keek alleen naar de "oude foto" (leeftijd, geslacht, bestaande ziektes).
   • Model B: Keek naar de "oude foto" PLUS de super-detaillle bloedtesten van 6 jaar geleden.

Wat was het resultaat?

Het nieuws is niet wat je misschien hoopte, maar het is wel belangrijk:

• De oude foto was al goed genoeg: De computer die alleen keek naar leeftijd en ziektegeschiedenis, voorspelde de complicaties al heel goed.
• De extra bloedtesten hielpen niet: Het toevoegen van die duurdere, complexe bloedtesten uit het verleden maakte de voorspelling niet beter. Het was alsof je een extra lantaarnpaal toevoegt aan een straat die al perfect verlicht is; je ziet er niet scherper door.
• De reden: Omdat de bloedtesten zo lang geleden waren, weerspiegelden ze niet de huidige staat van het lichaam op het moment van de operatie. Het lichaam kan in 6 jaar tijd heel veel veranderen. Een bloedtest van 6 jaar geleden zegt je niets over hoe de patiënt zich nu voelt.

Een slimme truc: "Transfer Learning"

De onderzoekers probeerden nog iets slims, wat ze "Transfer Learning" noemen.

• Vergelijking: Stel je wilt leren skiën (de operatie), maar je hebt nog nooit geski. Je hebt wel veel ervaring met rolschaatsen (de niet-chirurgische ziektes). De onderzoekers lieten de computer eerst "leren" van de rolschaatsers en probeerden die kennis dan toe te passen op de skiërs.
• Het resultaat: Dit hielp de computer om stabielere resultaten te geven (minder ruis), maar het maakte de voorspelling niet beter dan de simpele methode met alleen de leeftijd en ziektegeschiedenis.

Wat betekent dit voor de praktijk?

1. Blijf bij de basics: Voor het voorspellen van risico's voor een operatie, zijn de standaard vragen (leeftijd, gezondheid, type operatie) nog steeds de beste en goedkoopste methode.
2. Geen dure tests nu: Het is op dit moment niet zinvol om dure, uitgebreide bloedtesten te doen als je jaren geleden al een proefje hebt gedaan. Die "oude foto" is te ver weg van het moment van de operatie.
3. De toekomst: Als we die bloedtesten direct voor de operatie zouden doen (bijvoorbeeld de dag ervoor), zou het misschien wel werken. Dan zie je de "huidige staat" van de motorolie, in plaats van de staat van 6 jaar geleden.

Samenvatting in één zin

De onderzoekers ontdekten dat het toevoegen van complexe, oude bloedtesten aan de standaard medische gegevens geen extra waarde heeft voor het voorspellen van operatie-risico's; de simpele, bekende feiten over de patiënt werken nog steeds het beste.

Technische samenvatting

Titel: Gebruik van multi-omics data om postoperatieve complicaties na grote chirurgie te voorspellen in de UK Biobank-cohort

1. Het Probleem

Postoperatieve complicaties zijn een belangrijke oorzaak van morbiditeit, mortaliteit en een zware belasting voor de gezondheidszorgbronnen. Huidige preoperatieve risicobeperkingstools (zoals de ASA-klasse) vertrouwen voornamelijk op demografische factoren en klinische scores, maar vangen de biologische heterogeniteit van individuele patiënten niet goed op.
Hoewel hoge-dimensie moleculaire assays (metabolomica en proteomica) beloven om subklinische ziektestaten en biologische risicofactoren bloot te leggen, is het onduidelijk of deze data, wanneer ze op een tijdstip ver verwijderd van de chirurgische ingreep worden verzameld, een meerwaarde bieden boven standaard klinische variabelen voor het voorspellen van acute postoperatieve complicaties. Bestaande studies zijn vaak klein, single-center en missen een vergelijking met gevestigde klinische modellen.

2. Methodologie

De auteurs analyseerden data van de UK Biobank, een grote prospectieve cohortstudie.

• Cohort en Uitkomsten:

  • Inclusie: 158.156 individuen die een grote, opnamevereisende chirurgische ingreep ondergingen.
  • Primair Doel: Voorspelling van zes specifieke postoperatieve complicaties binnen 30 dagen na de operatie: atriumfibrillatie (AF), acute nierschade (AKI), acuut myocardinfarct (AMI), delirium, beroerte (stroke) en chirurgische wondinfectie (SSI).
  • Data: Beschikbaarheid van metabolomische (Nightingale NMR, 251 biomarkers) en/of proteomische (Olink PEA, tot 2922 eiwitten) data. De mediane tijd tussen monstername en chirurgie bedroeg 6 jaar.

• Modellering en Algoritmen:

  • Baseline Modellen: Trainde met standaard klinische covariaten (leeftijd, geslacht, Charlson Comorbiditeitsindex, opnameduur, operatiecategorie).
  • Omics Modellen: Voegde metabolomische, proteomische of multi-omics data toe aan de klinische variabelen.
  • Technische Aanpak:
    • Gebruik van Elastic Net (penalisatie met L1 en L2) voor feature selectie en regularisatie.
    • Om onbalans in de klassen (weinig gevallen vs. veel controles) aan te pakken: Balanced Bagging Classifier (50 base-estimators, undersampling van de meerderheidsklasse).
    • Dimensionaliteitsreductie: Gebruik van Autoencoders (AE) om de hoge-dimensie omics-data te comprimeren naar een 16-dimensionale latente ruimte.
    • Validatie: Adaptieve herhaalde stratified k-fold cross-validatie (3-voudig of 5-voudig, herhaald 20 of 12 keer) om bias te minimaliseren.
    • Statistiek: Vergelijking van prestaties (AUROC, sensitiviteit, specificiteit) met de Corrected Resampled t-test en correctie voor meervoudig toetsen (Benjamini-Hochberg FDR).

• Transfer Learning:

  • Om de beperkte steekproefomvang voor zeldzame postoperatieve uitkomsten te overwinnen, werd transfer learning toegepast.
  • Modellen werden eerst getraind op een niet-chirurgisch bron-domein (chronische vormen van dezelfde aandoeningen) en vervolgens "overgedragen" om risico's voor de postoperatieve uitkomsten te voorspellen.

3. Belangrijkste Resultaten

• Prestatie van Baseline Modellen: Modellen die uitsluitend gebruikmaakten van standaard klinische variabelen presteerden robuust, met AUROC-waarden tussen 0,72 en 0,88 en sensitiviteiten tussen 0,71 en 0,80.
• Impact van Omics Data:
  • Het toevoegen van metabolomische en/of proteomische data leverde geen klinisch betekenisvolle verbetering op in de voorspellende prestaties voor enige van de zes uitkomsten.
  • De prestaties bleven vergelijkbaar met de baseline-modellen, ongeacht of er sprake was van single-omics of multi-omics integratie (vroege of late integratie).
• Transfer Learning:
  • Transfer learning vanuit het niet-chirurgische domein verbeterde de stabiliteit van de modellen (vooral bij kleine steekproeven zoals AMI en beroerte).
  • Hoewel de stabiliteit toenam, overtroffen deze modellen de standaard klinische baseline-modellen niet in termen van AUROC of sensitiviteit.
  • Voor SSI (waarvoor een alternatieve diagnose als bron werd gebruikt) resulteerde transfer learning zelfs in een lagere sensitiviteit.
• Steekproefomvang: Voor veel uitkomsten (vooral proteomica en multi-omics) lagen de aantallen gevallen onder de aanbevolen niveaus voor betrouwbare voorspellende modellering, wat de statistische power beperkte.

4. Belangrijkste Bijdragen

• Grootschalige Validatie: Dit is een van de eerste studies die multi-omics data systematisch test op een grote schaal (UK Biobank) voor preoperatieve risicovoorzegging, in plaats van op kleine, geselecteerde cohorten.
• Methodologische Rigor: Toepassing van geavanceerde machine learning technieken (Elastic Net, Balanced Bagging, Autoencoders) en strikte validatiemethoden om data-lekkage en overfitting te voorkomen.
• Transfer Learning Toepassing: Demonstratie van de haalbaarheid en beperkingen van transfer learning in een perioperatieve context, waarbij wordt aangetoond dat biologische risicofactoren gedeeld kunnen zijn tussen chronische en acute fenotypes.
• Tijdsdimensie Analyse: Het benadrukken van het belang van de temporaliteit van biomarkers; data verzameld jaren voor de operatie lijkt minder waardevol voor acute voorspelling dan data dichter bij het evenement.

5. Betekenis en Conclusie

• Geen Meerwaarde op Afstand: Het toevoegen van metabolomische of proteomische data die jaren voor de operatie zijn verzameld, verbetert de preoperatieve risicovoorzegging niet ten opzichte van standaard klinische variabelen. De "biologische snapshot" is waarschijnlijk verouderd tegen de tijd dat de patiënt wordt geopereerd.
• Parsimonie: Bestaande klinische scores blijven robuust, toegankelijk en kosteneffectief. De kosten en complexiteit van hoge-dimensie omics-profielering op afstand van de chirurgie zijn momenteel niet gerechtvaardigd.
• Toekomstperspectief:
  • Omics-data zou wel waardevol kunnen zijn als deze dichter bij de chirurgische ingreep (peri-operatief) wordt gemeten om acute fysiologische afwijkingen te vangen.
  • Transfer learning is een veelbelovende aanpak om modellen te trainen voor zeldzame uitkomsten, mits de bron- en doomeinen biologisch goed gekoppeld zijn.
  • De resultaten suggereren dat postoperatieve complicaties vaak een "acute ontmaskering" zijn van onderliggende kwetsbaarheden die al in de chronische data aanwezig waren, maar dat deze kwetsbaarheden beter worden ingeschat door de huidige klinische status dan door historische omics-data.

Conclusie: Voor preoperatieve risicovoorzegging op basis van historische biobank-data bieden multi-omics geen extra meerwaarde boven traditionele klinische variabelen.