Failure of Cross-Procedure Transportability of Preoperative Prolonged Length-of-Stay Prediction From VATS to Esophagectomy: A Locked Model Evaluation Study
Deze studie toont aan dat preoperatieve voorspellingsmodellen voor een verlengde ligduur, ontwikkeld voor patiënten die een video-geassisteerde thoracoscopische chirurgie (VATS) ondergaan, zonder aanpassing niet betrouwbaar kunnen worden getransponeerd naar patiënten die een esofagectomie ondergaan, waarbij ze een slechte discriminatie en significante kalibratiefouten vertonen wanneer ze als vastgestelde pipelines worden toegepast.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Ziekenhuizen vertrouwen op nauwkeurige voorspellingen om hun middelen te beheren en patiënten effectief te verzorgen. Een van de meest kritieke metrieken in deze planning is de verblijfsduur, oftewel het aantal dagen dat een patiënt in het ziekenhuis verblijft na een operatie. Hoewel een snel herstel ideaal is, beïnvloeden veel factoren hoe lang een patiënt daadwerkelijk blijft, waaronder complicaties, de specifieke praktijken van de chirurg en de algehele fysieke conditie van de patiënt. Artsen gebruiken vaak computermodellen om deze duur te voorspellen nog voordat een operatie begint. Deze modellen analyseren de leeftijd, longfunctie en andere gezondheidsgegevens van een patiënt om het risico op een verlengde hospitalisatie in te schatten. De hoop is dat door te weten wie langer zou kunnen blijven, medische teams beter kunnen voorbereiden, bedden efficiënter kunnen toewijzen en patiënten die extra zorg nodig hebben, beter kunnen ondersteunen. Er blijft echter een belangrijke vraag bestaan: werkt een model dat gebouwd is om het herstel voor het ene type chirurgie te voorspellen even goed voor een ander type chirurgie, zelfs als beide in hetzelfde ziekenhuis worden uitgevoerd?
Onderzoekers aan het Renmin Hospital van de Wuhan University zetten zich in om deze vraag te beantwoorden door een voorspellingssysteem te testen over twee zeer verschillende chirurgische procedures. Ze begonnen met een model dat ontworpen was voor patiënten die een video-geassisteerde thoracoscopische chirurgie ondergaan, een minimaal invasieve procedure voor de longen. Dit model werd gebouwd met gegevens van 301 patiënten en bevatte standaard klinische informatie zoals leeftijd en rookgeschiedenis, evenals metingen afkomstig van routinematige CT-scans van de borstkas, specifiek kijkend naar de dikte van het spier- en vetweefsel in de thoracale regio. De onderzoekers namen vervolgens exact ditzelfde model, zonder ook maar één getal of regel te veranderen, en pasten het toe op een totaal andere groep van 299 patiënten die een esofagectomie ondergingen, een veel complexere operatie om een deel van de slokdarm te verwijderen. Het doel was om te zien of de voorspellingen standhielden wanneer de context verschoof van een longprocedure naar een slokdarmprocedure.
De resultaten van deze test waren duidelijk en definitief: het model slaagde er niet in om te werken voor de tweede groep patiënten. Toen de onderzoekers het model voor longchirurgie toepasten op de patiënten voor slokdarmchirurgie, verloor het bijna al zijn vermogen om onderscheid te maken tussen degenen die een lang herstel zouden hebben en degenen die snel zouden herstellen. In statistische termen daalde de prestatie van het model tot een niveau dat niet beter was dan willekeurig gokken. Bovendien overschatte het model consequent het risico; het voorspelde dat bijna de helft van de patiënten die een slokdarmchirurgie ondergingen een verlengd verblijf zou hebben, terwijl in werkelijkheid slechts ongeveer een kwart van hen dat had. De opname van de CT-scanmetingen, die bedoeld waren om extra precisie toe te voegen door naar de lichaamssamenstelling te kijken, hielp niet. Sterker nog, voor de slokdarmpatiënten werd het model met de CT-gegevens zo rigide dat het voor bijna elke persoon bijna dezelfde voorspelling deed, waardoor het onbruikbaar werd voor individuele beoordeling.
De studie onderzocht ook of het model gecorrigeerd kon worden door simpelweg de baselines om te passen aan de nieuwe groep patiënten. Hoewel deze aanpassing de gemiddelde voorspelling corrigeerde, waardoor de algehele risicoschatting overeenkwam met de realiteit van de slokdarmchirurgie-groep, herstelde het niet het vermogen van het model om patiënten van elkaar te onderscheiden. Het model kon nog steeds niet identificeren welke specifieke individuen een hoger risico liepen. De onderzoekers ontdekten dat de twee groepen patiënten fundamenteel verschillend waren op manieren die het model niet rekening hield. De patiënten die een slokdarmchirurgie ondergingen, waren ouder, vaker man en hadden significant andere longfuncties en lichaamsvetmetingen vergeleken met de longchirurgie-patiënten. Omdat het model gebouwd was op de specifieke kenmerken van de eerste groep, kon het zijn logica niet vertalen naar de tweede groep.
Dit onderzoek toont een cruciale grens voor medische voorspellingsinstrumenten aan. Het laat zien dat een model dat ontwikkeld is voor de ene chirurgische procedure, niet zomaar als werkend kan worden beschouwd voor een andere procedure, zelfs niet binnen hetzelfde ziekenhuis en met gebruik van dezelfde gegevensbronnen. Het falen was niet te wijten aan een gebrek aan gegevens of een fout in de computercode, maar aan het feit dat de biologische en klinische realiteiten van de twee operaties te verschillend zijn. De studie concludeert dat voordat een enkel voorspellingsmodel wordt gebruikt om de patiëntenzorg te sturen, het specifiek moet worden getest voor de exacte populatie en procedure waarvoor het bedoeld is. Het simpelweg nemen van een instrument dat werkt voor de ene taak en het proberen te gebruiken voor een andere taak, zelfs een gerelateerde, leidt waarschijnlijk tot onnauwkeurige en potentieel misleidende resultaten.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.