Predicting anastomosis leakage and 90-day mortality for patients undergoing oesophagectomy with artificial neural networks

Abstract (Swedish)

Artificial intelligence is breaking new grounds each year and one of the most promising and extensively researched area of study in the field is the artificial neural networks. In this project, artificial neural networks are designed to help medical staff in estimating at an early stage what risk a patient has of developing serious postoperative complications after having undergone an
oesophageal resection procedure. Detecting patients with a high risk can in practice help intensive care units recognize which patients that need to be monitored extra carefully in the near future, increasing the possibilities of saving lives. In this project, it is shown that constructing artificial
neural networks by using the data from the Swedish National Register for Oesophageal and Gastric Cancer can generate a good risk estimator for predicting 90-day mortality but not for the postoperative complication known as anastomosis leakage. It is also shown that if data from additional
registers, such as Statistics Sweden and the National Prescribed Drugs Register, are accompanied with the Oesophageal and Gastric Cancer register, even better predictions can be made for the 90-day mortality risk estimation.

Popular Abstract (Swedish)

Maskininlärning och artificiell intelligens tror många kommer spela en
stor roll i framtiden inom sjukvården. Det kan handla om program som
ställer diagnoser i samråd med eller istället för läkare. I den här rapporten
presenteras och utvärderas skapandet av ett sådant program, baserat på
artificiella neurala nätverk, för att bedöma risken som patienter med can-
cer i matstrupen har att utveckla svåra komplikationer efter ett kirurgiskt
ingrepp som heter esofagusresektion.
Sverige har en lång historia av att på nationell nivå samla data inom sjukvården
om patienter som behandlats för olika sjukdomar. Tanken med detta insamlingsarbete
är att förbättra kvaliteten inom vården och underlätta för framtida forskning. Denna data öppnar upp för möjligheten att konstruera moderna, intelligenta program som kanställa diagnoser vilket troligvis kommer bli en alltmer integrerad del inom sjukvården.
Kirurger vid Skånes Universitetssjukhus har efterfrågat ett program som i ett tidigt skede kan bedöma om patienter som behandlats för cancer i matstrupen riskerar att utveckla svåra komplikationer efter esofagusresektion, där en del av matstrupen tas bort och ersätts med en omsydd del av magsäcken. Detta ingrepp är en invasiv och mycket krävande procedur som kräver lång efterföljande intensivvård och endast de mest lämpliga patienterna väljs därför ut för att genomgå den.
Med hjälp av historisk data över hur det har gått för patienter som genomgått es-
ofagusresektion och moderna maskininlärningsalgoritmer har vi i detta projekt utvecklat ett program för att uppskatta risken en patient har av att drabbas av den svåra komplikationen anastomosläckage och risken denna har att avlida inom 90 dagar efter ingreppet. Vi har byggt och testat många olika artificiella neurala nätverk och undersökt vilken del av datan som har störst inverkan på dessa nätverks bedömningsförmåga. Nätverken har utvärderats statistiskt och dess förmåga att förutspå om en
patient avlider inom 90 dagar bedöms som god, samtidigt som dess förmåga att förutspå anastomosläckage ej visats vara tillräckligt bra.
Det vi bland annat kommit fram till är att om programmet endast har tillgång till
samma information som kirurgerna har i dagsläget är förmågan att förutspå sämre än
om ytterligare tillgänglig information om patienten också används. Bäst resultat fick vi med väl utvald data där det bland annat visade sig att patients utbildningsbakgrund tycks spela en viktig roll.
Slutsatsen av arbetet är att det finns goda möjligheter att utveckla och använda
sig av liknande program som de vi byggt med den data som finns tillgänglig idag. Vi är övertygade om att dessa typer av program slutligen kan vara med i processer där medicinska beslut fattas för hjälpa patienter få bästa möjliga vård.

• author: Hallerbäck, Rickard and Koch, Johannes
• supervisor: Andreas Jakobsson
• organization: Mathematical Statistics
• course: FMS820 20181
• year: 2018
• type: H2 - Master's Degree (Two Years)
• subject: Mathematics and Statistics
• keywords: Machine learning, artificial neural network, oesophageal cancer, data-driven decision- making
• language: English
• id: 8946235
• date added to LUP: 2018-06-07 11:48:07
• date last changed: 2018-06-20 10:54:59