Development of a preoperative predictive model for major complications following adult spinal deformity surgery
Fuente
Este artículo es originalmente publicado en:
https://www.ncbi.nlm.nih.gov/pubmed/28338449
http://thejns.org/doi/abs/10.3171/2016.10.SPINE16197?url_ver=Z39.88-2003&rfr_id=ori:rid:crossref.org&rfr_dat=cr_pub%3dpubmed
De:
Scheer JK1, Smith JS2, Schwab F3, Lafage V3, Shaffrey CI2, Bess S4, Daniels AH5, Hart RA6, Protopsaltis TS4, Mundis GM Jr7, Sciubba DM8, Ailon T2, Burton DC9, Klineberg E10, Ames CP11; International Spine Study Group.
J Neurosurg Spine. 2017 Mar 24:1-8. doi: 10.3171/2016.10.SPINE16197. [Epub ahead of print]
Todos los derechos reservados para:
© Copyright 1944-2017 American Association of Neurological Surgeons
Abstract
OBJECTIVE
The operative management of patients with adult spinal deformity (ASD) has a high complication rate and it remains unknown whether baseline patient characteristics and surgical variables can predict early complications (intraoperative and perioperative [within 6 weeks]). The development of an accurate preoperative predictive model can aid in patient counseling, shared decision making, and improved surgical planning. The purpose of this study was to develop a model based on baseline demographic, radiographic, and surgical factors that can predict if patients will sustain an intraoperative or perioperative major complication. METHODS This study was a retrospective analysis of a prospective, multicenter ASD database. The inclusion criteria were age ≥ 18 years and the presence of ASD. In total, 45 variables were used in the initial training of the model including demographic data, comorbidities, modifiable surgical variables, baseline health-related quality of life, and coronal and sagittal radiographic parameters. Patients were grouped as either having at least 1 major intraoperative or perioperative complication (COMP group) or not (NOCOMP group). An ensemble of decision trees was constructed utilizing the C5.0 algorithm with 5 different bootstrapped models. Internal validation was accomplished via a 70/30 data split for training and testing each model, respectively. Overall accuracy, the area under the receiver operating characteristic (AUROC) curve, and predictor importance were calculated. RESULTS Five hundred fifty-seven patients were included: 409 (73.4%) in the NOCOMP group, and 148 (26.6%) in the COMP group. The overall model accuracy was 87.6% correct with an AUROC curve of 0.89 indicating a very good model fit. Twenty variables were determined to be the top predictors (importance ≥ 0.90 as determined by the model) and included (in decreasing importance): age, leg pain, Oswestry Disability Index, number of decompression levels, number of interbody fusion levels, Physical Component Summary of the SF-36, Scoliosis Research Society (SRS)-Schwab coronal curve type, Charlson Comorbidity Index, SRS activity, T-1 pelvic angle, American Society of Anesthesiologists grade, presence of osteoporosis, pelvic tilt, sagittal vertical axis, primary versus revision surgery, SRS pain, SRS total, use of bone morphogenetic protein, use of iliac crest graft, and pelvic incidence-lumbar lordosis mismatch. CONCLUSIONS A successful model (87% accuracy, 0.89 AUROC curve) was built predicting major intraoperative or perioperative complications following ASD surgery. This model can provide the foundation toward improved education and point-of-care decision making for patients undergoing ASD surgery.
KEYWORDS:
ANN = artificial neural network; ASA = American Society of Anesthesiologists; ASD; ASD = adult spinal deformity; AUROC = area under the receiver operating characteristic; BMI = body mass index; BMP = bone morphogenetic protein; CCI = Charlson Comorbidity Index; HRQOL = health-related quality of life; MCS = Mental Component Summary of the SF-36; NRS = numeric rating scale; ODI = Oswestry Disability Index; PCS = Physical Component Summary of the SF-36; PI-LL = pelvic incidence–lumbar lordosis mismatch; PT = pelvic tilt; SRS = Scoliosis Research Society; SRS-22r = SRS-22r questionnaire; SVA = sagittal vertical axis; T1PA = T-1 pelvic angle; TK = thoracic kyphosis; adult spinal deformity; complications; decision tree; predictive modeling; sagittal malalignment; scoliosis
Resumen
OBJETIVO
El manejo quirúrgico de pacientes con deformidad espinal adulta tiene una alta tasa de complicaciones y no se sabe si las características basales del paciente y las variables quirúrgicas pueden predecir complicaciones precoces (intraoperatorias y perioperatorias). El desarrollo de un modelo predictivo preoperatorio preciso puede ayudar en el asesoramiento del paciente, la toma de decisiones compartida y la planificación quirúrgica mejorada. El propósito de este estudio fue desarrollar un modelo basado en factores basales demográficos, radiográficos y quirúrgicos que puedan predecir si los pacientes sufrirán una complicación mayor intraoperatoria o perioperatoria.
MÉTODOS
Este estudio fue un análisis retrospectivo de una base de datos prospectiva, multicéntrica ASD. Los criterios de inclusión fueron edad ≥ 18 años y la presencia de TEA. En total, se utilizaron 45 variables en la formación inicial del modelo, incluyendo datos demográficos, comorbilidades, variables quirúrgicas modificables, calidad de vida basal de salud y parámetros radiológicos coronales y sagitales. Los pacientes se agruparon como teniendo al menos una complicación intraoperatoria o perioperatoria mayor (grupo COMP) o no (grupo NOCOMP). Se construyó un conjunto de árboles de decisión utilizando el algoritmo C5.0 con 5 modelos bootstrap diferentes. La validación interna se realizó mediante una división de datos de 70/30 para el entrenamiento y la prueba de cada modelo, respectivamente. Se calculó la precisión global, el área bajo la curva característica de operación del receptor (AUROC) y la importancia del predictor.
Resultados
Se incluyeron 500 pacientes: 409 (73,4%) en el grupo NOCOMP y 148 (26,6%) en el grupo COMP. La exactitud total del modelo fue de 87,6% correcta con una curva AUROC de 0,89 indicando un muy buen ajuste del modelo. Se determinó que veinte variables eran los principales predictores (importancia ≥ 0,90 según lo determinado por el modelo) e incluyeron (en importancia decreciente): edad, dolor en las piernas, índice de discapacidad de Oswestry, número de niveles de descompresión, número de niveles de fusión intersomática De la SF-36, la Sociedad de Investigación de Escoliosis (SRS), el tipo de curva coronaria de Chwab, el índice de comorbilidad de Charlson, la actividad SRS, el ángulo pélvico T-1, el grado de la Sociedad Americana de Anestesiólogos, la presencia de osteoporosis, la inclinación pélvica, el eje vertical sagital, Cirugía de revisión, dolor SRS, SRS total, uso de proteína morfogenética ósea, uso de injerto de cresta ilíaca e incompatibilidad lordosis lumbar incidencia pélvica.
CONCLUSIONES
Un modelo exitoso (87% de precisión, 0,89 curva AUROC) fue construido predicción de grandes complicaciones intraoperatorias o perioperatorias después de la cirugía de ASD. Este modelo puede proporcionar la base para mejorar la educación y la toma de decisiones en el punto de atención para los pacientes sometidos a cirugía ASD.
PALABRAS CLAVE:
ANN = red neuronal artificial; ASA = Sociedad Americana de Anestesiólogos; ASD;ASD = deformidad espinal adulta; AUROC = área bajo la característica de operación del receptor; IMC = índice de masa corporal; BMP = proteína morfogenética ósea; ICC = Índice de Comorbilidad de Charlson; CVRS = calidad de vida relacionada con la salud; MCS = Componente Mental Resumen del SF-36; NRS = escala numérica de calificación; ODI = índice de discapacidad de Oswestry; PCS = Componente físico Resumen del SF-36; PI-LL = desajuste de lordosis incidencia pélvica lumbar; PT = inclinación pélvica; SRS = Sociedad de Investigación de Escoliosis; SRS-22r = cuestionario SRS-22r; SVA = eje vertical sagital; T1PA = T-1 ángulo pélvico; TK = cifosis torácica; Deformidad espinal en adultos; Complicaciones; árbol de decisión; Modelado predictivo; Mala alineación sagital; escoliosis
- PMID: 28338449 DOI: 10.3171/2016.10.SPINE16197