Improved Prediction of Surgical-Site Infection After Colorectal Surgery Using Machine Learning. Issue 3 (30th November 2022)

• Record Type: Journal Article
• Authors: Chen, Kevin A.; Joisa, Chinmaya U.; Stem, Jonathan M.; Guillem, Jose G.; Gomez, Shawn M.; Kapadia, Muneera R.
• Is Part Of: Diseases of the colon & rectum. Volume 66:Issue 3(2023)
• Page Start: 458
• Page End: 466
• Publication Date: 2022-11-30
• Subjects: Artificial intelligence -- Colorectal surgery -- Machine learning -- Surgical-site infection; Colon (Anatomy) -- Diseases -- Periodicals; Rectum -- Diseases -- Periodicals; Colonic Diseases -- Periodicals; Colorectal Surgery -- Periodicals; 616.34
• DOI: 10.1097/DCR.0000000000002559
• Languages: English
• ISSNs: 0012-3706

Abstract

Abstract : BACKGROUND: Surgical-site infection is a source of significant morbidity after colorectal surgery. Previous efforts to develop models that predict surgical-site infection have had limited accuracy. Machine learning has shown promise in predicting postoperative outcomes by identifying nonlinear patterns within large data sets. OBJECTIVE: This study aimed to seek usage of machine learning to develop a more accurate predictive model for colorectal surgical-site infections. DESIGN: Patients who underwent colorectal surgery were identified in the American College of Surgeons National Quality Improvement Program database from years 2012 to 2019 and were split into training, validation, and test sets. Machine-learning techniques included random forest, gradient boosting, and artificial neural network. A logistic regression model was also created. Model performance was assessed using area under the receiver operating characteristic curve. SETTINGS: A national, multicenter data set. PATIENTS: Patients who underwent colorectal surgery. MAIN OUTCOME MEASURES: The primary outcome (surgical-site infection) included patients who experienced superficial, deep, or organ-space surgical-site infections. RESULTS: The data set included 275, 152 patients after the application of exclusion criteria. Of all patients, 10.7% experienced a surgical-site infection. Artificial neural network showed the best performance with area under the receiver operating characteristic curve of 0.769 (95% CI, 0.762–0.777), compared with 0.766 (95% CI, 0.759–0.774) for gradient boosting, 0.764 (95% CI, 0.756–0.772) for random forest, and 0.677 (95% CI, 0.669–0.685) for logistic regression. For the artificial neural network model, the strongest predictors of surgical-site infection were organ-space surgical-site infection present at time of surgery, operative time, oral antibiotic bowel preparation, and surgical approach. LIMITATIONS: Local institutional validation was not performed. CONCLUSIONS: Machine-learning techniques predict colorectal surgical-site infections with higher accuracy than logistic regression. These techniques may be used to identify patients at increased risk and to target preventive interventions for surgical-site infection. See Video Abstract at http://links.lww.com/DCR/C88 . PREDICCIÓN MEJORADA DE LA INFECCIÓN DEL SITIO QUIRÚRGICO DESPUÉS DE LA CIRUGÍA COLORRECTAL MEDIANTE EL APRENDIZAJE AUTOMÁTICO: ANTECEDENTES: La infección del sitio quirúrgico es una fuente de morbilidad significativa después de la cirugía colorrectal. Los esfuerzos anteriores para desarrollar modelos que predijeran la infección del sitio quirúrgico han tenido una precisión limitada. El aprendizaje automático se ha mostrado prometedor en la predicción de los resultados posoperatorios mediante la identificación de patrones no lineales dentro de grandes conjuntos de datos. OBJETIVO: Intentamos utilizar el aprendizaje automático para desarrollar un modelo predictivo más preciso para las infecciones del sitio quirúrgico colorrectal. DISEÑO: Los pacientes que se sometieron a cirugía colorrectal se identificaron en la base de datos del Programa Nacional de Mejoramiento de la Calidad del Colegio Estadounidense de Cirujanos de los años 2012 a 2019 y se dividieron en conjuntos de capacitación, validación y prueba. Las técnicas de aprendizaje automático incluyeron conjunto aleatorio, aumento de gradiente y red neuronal artificial. También se creó un modelo de regresión logística. El rendimiento del modelo se evaluó utilizando el área bajo la curva característica operativa del receptor. CONFIGURACIÓN: Un conjunto de datos multicéntrico nacional. PACIENTES: Pacientes intervenidos de cirugía colorrectal. PRINCIPALES MEDIDAS DE RESULTADO: El resultado primario (infección del sitio quirúrgico) incluyó pacientes que experimentaron infecciones superficiales, profundas o del espacio de órganos del sitio quirúrgico. RESULTADOS: El conjunto de datos incluyó 275.152 pacientes después de la aplicación de los criterios de exclusión. El 10, 7% de los pacientes presentó infección del sitio quirúrgico. La red neuronal artificial mostró el mejor rendimiento con el área bajo la curva característica operativa del receptor de 0, 769 (IC del 95 %: 0, 762 - 0, 777), en comparación con 0, 766 (IC del 95 %: 0, 759 - 0, 774) para el aumento de gradiente, 0, 764 (IC del 95 %: 0, 756 - 0, 772) para conjunto aleatorio y 0, 677 (IC 95% 0, 669 - 0, 685) para regresión logística. Para el modelo de red neuronal artificial, los predictores más fuertes de infección del sitio quirúrgico fueron la infección del sitio quirúrgico del espacio del órgano presente en el momento de la cirugía, el tiempo operatorio, la preparación intestinal con antibióticos orales y el abordaje quirúrgico. LIMITACIONES: No se realizó validación institucional local. CONCLUSIONES: Las técnicas de aprendizaje automático predicen infecciones del sitio quirúrgico colorrectal con mayor precisión que la regresión logística. Estas técnicas se pueden usar para identificar a los pacientes con mayor riesgo y para orientar las intervenciones preventivas para la infección del sitio quirúrgico. Consulte Video Resumen en http://links.lww.com/DCR/C88 . (Traducción—Dr Yolanda Colorado )