Risk stratification in cardiac surgery: Algorithms and applications

Detta är en avhandling från Department of Clinical Sciences, Lund University

Sammanfattning: Popular Abstract in Swedish Inför hjärtkirurgi är bedömning av en patients individuella nytta av och risk vid en hjärtoperation en viktig komponent i utredningen inför operationen. En riskstratifiering innebär att patientens olika riskfaktorer (exempelvis sockersjuka, högt blodtryck, antal tidigare hjärtinfarkter, hjärtfunktion) vägs samman till en sannolikhets-bedömning av risken för en viss händelse (t.ex. att inte överleva ingreppet eller att behöva vistas en längre tid på intensivvårds- avdelningen). Risk kan beräknas på olika sätt. Den vanligaste metoden är att varje riskfaktor ger en riskpoäng och att dessa poäng läggs samman. Den sammanlagda riskpoängen ger en uppfattning om riskens storlek. Mer avancerade tekniker beräknar sannolikheten att en viss händelse skall inträffa efter operationen uttryckt i procent. Ett riskstratifieringssystem kan användas för att bedöma den enskilda patientens risk, men även för att bedöma behovet av resurser och för att värdera kvaliteten på ett visst sjukhus och jämföra olika sjukvårdsenheter. Trots att olika riskbedömningssystem för hjärtkirurgi har funnits sedan slutet på 1980-talet saknas ännu det perfekta systemet. Det är fortfarande svårt att bedöma den enskilda patientens individuella risk, och bra jämförelser mellan de olika systemens förmåga att göra en korrekt riskbedömning saknas. Målen med detta arbete var att undersöka och jämföra olika riskpoängsystems förmåga att förutsäga om en patient överlever en månad respektive ett år efter en genomgången hjärtoperation, att undersöka om riskpoängssystem kan användas för att förutsäga sjukhusets resursbehov inför en hjärtoperation, samt att använda ett s.k. artificiellt neuralt nätverk för att identifiera och rangordna de mest betydelsefulla riskfaktorerna och därigenom förbättra risk-bedömningen för den enskilda patienten. I delarbete I gjordes en jämförelse mellan de två vanligaste riskbedömningssystemens (STS och EuroSCORE) förmåga att förutsäga vilka patienter som kommer att överleva de första trettio dagarna efter en hjärtoperation. I studien analyserades 4497 kranskärlsoperationer. Resultaten visade att EuroSCORE hade den bästa förmågan att särskilja vilka som skulle överleva. I delarbete II jämfördes 19 olika riskbedömningssystems förmåga att förutsäga vilka patienter som överlever 30 dagar respektive ett år efter operationen. Fyra olika algoritmer visade sig vara bättre än de övriga: logistisk och additiv EuroSCORE, Cleveland Clinic och Magovern. Trots att algoritmerna är utvecklade för att förutsäga 30 dagars överlevnad fungerade de väl för att bedöma även ett års överlevnad. I delarbete III undersöktes EuroSCOREs förmåga att förutsäga resursåtgången vid hjärtkirurgi. Data från 3413 hjärtoperationer analyserades. Resultaten visade att EuroSCORE med god precision kunde förutsäga den totala kostnaden samt vårdtiden på intensivvårdsavdelningen. I delarbete IV utvecklades en algoritm bestående av 144 olika neurala nätverk som identifierade och rangordnade olika riskfaktorer. I denna studie analyserades 18362 patienter som genomgått hjärtkirurgi vid sammanlagt 128 europeiska hjärtkliniker. Resultaten visade på en förbättrad förmåga att förutsäga utgången för den enskilda patienten jämfört med EuroSCORE-algoritmen, samt att denna prediktion var oberoende av vilken typ av hjärtoperation som patienten genomgick. Sammanfattningsvis är EuroSCORE en riskbedömningsalgoritm som fungerar väl för att förutsäga överlevnaden efter 30 dagar och ett år. EuroSCORE kan även förutsäga resursåtgång vid hjärtkirurgi. Bedömningen av den individuella patientens risk kan förbättras ytterligare genom användningen av artificiella neurala nätverk.

  KLICKA HÄR FÖR ATT SE AVHANDLINGEN I FULLTEXT. (PDF-format)