Advanced

Risk stratification in cardiac surgery: Algorithms and applications

Nilsson, Johan LU (2005) In Lund University Faculty of Medicine Doctoral Dissertation Series
Abstract (Swedish)
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... (More)
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. (Less)
Abstract
The aims of this research was to compare different risk score algorithms with regard to their validity to predict 30-day and one-year mortality after open-heart surgery, to evaluate if the preoperative risk stratification model EuroSCORE predicts the different components of resource utilization in cardiac surgery, and to systematically evaluate the accuracy and performance of artificial neural networks (ANNs) to select and rank the most important risk factors for operative mortality in open-heart surgery.



Preoperative evaluation of the surgical risk is an important component in cardiac surgery. Risk stratification can give patients and their relatives insight into the existent risk of complications and mortality, and aid... (More)
The aims of this research was to compare different risk score algorithms with regard to their validity to predict 30-day and one-year mortality after open-heart surgery, to evaluate if the preoperative risk stratification model EuroSCORE predicts the different components of resource utilization in cardiac surgery, and to systematically evaluate the accuracy and performance of artificial neural networks (ANNs) to select and rank the most important risk factors for operative mortality in open-heart surgery.



Preoperative evaluation of the surgical risk is an important component in cardiac surgery. Risk stratification can give patients and their relatives insight into the existent risk of complications and mortality, and aid in the selection of cases for surgery versus alternative, non-surgical therapies. It may also predict the need for hospital care resources and improve the quality of care. A few comparative studies of different risk algorithms exist, but the relative performance of the risk scoring systems currently used is unclear, and it still remains difficult to risk-stratify individual patients.



The present work identified four cardiac surgical risk models with a superior performance, with the EuroSCORE algorithm performing best. Though the algorithms were originally designed to predict early mortality, the one-year mortality prediction was also reasonably accurate. The additive EuroSCORE algorithm was also shown to be useful to predict intensive care unit (ICU) cost and an ICU stay more than two days after open-heart surgery. In an attempt to improve the mortality prediction further, a machine-learning technique, ANNs, was used. This identified mortality risk factors in a ranked order and defined a minimal set of risk variables resulting in a superior mortality prediction, compared with previously developed algorithms. (Less)
Please use this url to cite or link to this publication:
author
supervisor
opponent
  • Docent Jeppsson, Anders, Verksamhetsområdet för Thoraxkirurgi, Sahlgrenska Universitetssjukhuset, Göteborg
organization
publishing date
type
Thesis
publication status
published
subject
keywords
Surgery, orthopaedics, traumatology, Kardiovaskulära systemet, Cardiovascular system, Cardiac surgery, Statistics, Artificial neural networks, Resource utilization, Mortality, Risk factors, Kirurgi, ortopedi, traumatologi
in
Lund University Faculty of Medicine Doctoral Dissertation Series
pages
90 pages
publisher
Department of Clinical Sciences, Lund University
defense location
Segerfalksalen, Wallenberg Neurocentrum, Lund
defense date
2005-12-01 13:00
ISSN
1652-8220
ISBN
91-85481-03-3
language
English
LU publication?
yes
id
894fb9f3-6dcc-4552-81f0-ea2c9a70fd92 (old id 545665)
date added to LUP
2007-09-24 09:55:27
date last changed
2016-09-19 08:44:56
@phdthesis{894fb9f3-6dcc-4552-81f0-ea2c9a70fd92,
  abstract     = {The aims of this research was to compare different risk score algorithms with regard to their validity to predict 30-day and one-year mortality after open-heart surgery, to evaluate if the preoperative risk stratification model EuroSCORE predicts the different components of resource utilization in cardiac surgery, and to systematically evaluate the accuracy and performance of artificial neural networks (ANNs) to select and rank the most important risk factors for operative mortality in open-heart surgery.<br/><br>
<br/><br>
Preoperative evaluation of the surgical risk is an important component in cardiac surgery. Risk stratification can give patients and their relatives insight into the existent risk of complications and mortality, and aid in the selection of cases for surgery versus alternative, non-surgical therapies. It may also predict the need for hospital care resources and improve the quality of care. A few comparative studies of different risk algorithms exist, but the relative performance of the risk scoring systems currently used is unclear, and it still remains difficult to risk-stratify individual patients.<br/><br>
<br/><br>
The present work identified four cardiac surgical risk models with a superior performance, with the EuroSCORE algorithm performing best. Though the algorithms were originally designed to predict early mortality, the one-year mortality prediction was also reasonably accurate. The additive EuroSCORE algorithm was also shown to be useful to predict intensive care unit (ICU) cost and an ICU stay more than two days after open-heart surgery. In an attempt to improve the mortality prediction further, a machine-learning technique, ANNs, was used. This identified mortality risk factors in a ranked order and defined a minimal set of risk variables resulting in a superior mortality prediction, compared with previously developed algorithms.},
  author       = {Nilsson, Johan},
  isbn         = {91-85481-03-3},
  issn         = {1652-8220},
  keyword      = {Surgery,orthopaedics,traumatology,Kardiovaskulära systemet,Cardiovascular system,Cardiac surgery,Statistics,Artificial neural networks,Resource utilization,Mortality,Risk factors,Kirurgi,ortopedi,traumatologi},
  language     = {eng},
  pages        = {90},
  publisher    = {Department of Clinical Sciences, Lund University},
  school       = {Lund University},
  series       = {Lund University Faculty of Medicine Doctoral Dissertation Series},
  title        = {Risk stratification in cardiac surgery: Algorithms and applications},
  year         = {2005},
}