Decision Support in Spine Treatment Guided by MachineLearning and Registry Data

Lumbal spinal stenose er en abnorm forsnævring af rygmarvskanalen, der medfører påvirkning afrygmarvsnerverne. Symptomerne omfatter smerter, muskelsvaghed, følelsesløshed i ben, lægge ellerbalder. At gå, stå og bøje lænderyggen bagover kan forværre symptomerne. Lumbal spinal stenoseer en udbredt aldersrelateret lidelse med en anslået prævalens på 20-50 % blandt det geriatriskesegment af befolkningen. Det er den absolut hyppigste årsag til rygkirurgi blandt ældre. Ifølge detdanske nationale rygregister DaneSpine kan 3/4 af patienterne forvente betydelig smertelindring 1 årefter operationen og 2/3 forbedringer i livskvaliteten. Omkring 1/4 - 1/3 vil ikke opleve en mærkbar forbedring.

Variationer i operationsresultaterne gør det ofte vanskeligt for kirurgen at stille patienten en sikkerprognose i udsigt. Hovedformålet med denne afhandling var at undersøge, om pålidelige estimateraf det forventede behandlingsresultat kan beregnes inden operation ved hjælp af prædiktivealgoritmer baseret på eksisterende registerdata.

I studie 1 fandt vi, at de underliggende prædiktive modeller i det svensk udviklede beslutningsstøtteværktøj Dialogue Support ikke umiddelbart kunne generaliseres til en dansk patientpopulation.AUC-værdierne stemte nogenlunde overens med de resultater skaberne af Dialogue Support harafrapporteret. Både kalibrerings plot og sensitivitet/specificitet viste dog, at værktøjets effektivitet,dvs. evnen til at stille den korrekte diagnose for både gunstige og ugunstige resultater, varubalanceret. Således var værktøjet kun i få tilfælde i stand til at identificere sande negative.

I studie 2 testede vi syv forskellige prædiktive algoritmer på DaneSpine data. I gennemsnit var derikke store forskelle, men der var variation på tværs af resultatmål. EQ-5D og VAS ryg modellerneklarede sig næsten lige godt, mens ODI og VAS-ben modellerne var mindre overbevisende.Modellerne for VAS-ben og tilbagevenden til arbejde udviste de største forskelle i evnen til at klassificere korrekt. Algoritmerne MARS og Deep learning klarede sig konsekvent godt isammenligning med de øvrige algoritmer.

I studie 3 blev ikke-opererede lumbal stenose patienter matchet med opererede patienter medhenblik på at skabe sammenlignelige karakteristika på tidspunktet for forundersøgelsen. Beggepatientgrupper var diagnosticeret med MRI bekræftet lumbal stenose af rygkirurger. Resultatmålblev sammenlignet 1 år efter første konsultation. Begge grupper oplevede i gennemsnit bedring, menforskellene var til fordel for de opererede patienter, hvad enten de blev målt som gennemsnitligforbedring eller andelen der oplevede en klinisk relevant forbedring, dvs. mærkbar forskel. Mindreend halvdelen af de ikke-opererede opnåede en klinisk relevant forskel ift. livskvalitet og smertermod 2/3 af de opererede.

I studie 4 udviklede vi prædiktive modeller med udgangspunkt i DaneSpine data ogimplementerede disse i beslutningsstøtteværktøj PROPOSE med henblik på at prædiktereresultatmål 1 år efter rygoperation. Værktøjet blev testet af kirurger i klinikken og efterfølgendevalideret på data indhentet i testperioden. Prædiktionen af resultatmål for livskvalitet (EQ-5D),rygsmerter (VAS-ryg), funktionsevne (ODI) og gangdistance var acceptabel til fremragende, mensprædiktionen af ben smerter (VAS-ben) var mindre overbevisende.

PROPOSE kan potentielt være et nyttigt værktøj i samtalen mellem kirurg og patient.Prædiktionerne kan indgå i drøftelsen af forventet resultat efter operation og understøtte fællesbeslutningstagen. Værktøjet bør dog valideres grundigt på eksterne datakilder uafhængigt af dedata, der blev anvendt i udviklingen, før det kan implementeres i praksis.