Deep learning algorithms in predicting severe complications after bariatric surgery
Deep learning algorithms in predicting severe complications after bariatric surgery
Project number : 254041
Created by: Yang Cao, 2018-10-05
Last revised by: Yang Cao, 2018-10-09
Project created in: FoU Region Örebro län

PublishedPublished

Registeranmälan

  1. Deep learning algorithms in predicting severe complications after bariatric surgery, PUL-anmälan
  2. Deep learning algorithms in predicting severe complications after bariatric surgery, Projektbeskrivning

Titel och sammanfattning

Populärvetenskaplig sammanfattning

Noggranna modeller för att förutsäga svåra postoperativa komplikationer kan vara av stort värde vid bedömning inför överviktskirurgi. Modeller som baseras på traditionell statistisk metod och maskininlärning (ML) har hittills misslyckats med att ge en tillräckligt hög noggrannhet för att vara användbara. Målet med det aktuella projektet är att finna en användbar algoritm som på ett tillförlitligt sätt kan förutsäga risken för allvarlig komplikation efter överviktskirurgi genom att träna och jämföra 3 djuplärande (DL) algoritmer med informationen från patienter som opererats med överviktskirurgi mellan 2010 och 2014 i Sverige. Algoritmerna testas sedan på patienter som opererats under 2015. Då endast 3% av patienterna drabbades av svåra komplikationer kan de flesta ML-algoritmer visa hög noggrannhet (> 90%) och specificitet (> 0,9) i både träningsmodeller och när de testas på ny data, dvs de kan med acceptabel säkerhet förutspå vem som inte drabbas av komplikation. Däremot har de inte visat sig kunna uppnå en acceptabel känslighet i testdata och kan således inte förutspå risken för allvarlig komplikation på ett tillförlitligt sätt. I den aktuella studien kommer vi därför använda en modell som kallas ”synthetic minority oversampling technique” där de positiva resultaten förstärks. Vi kommer också att försöka ställa in hyperparametrarna i DL-algoritmerna för att maximera känsligheten. Målet är att uppnå en märkbar förbättring av DL-metoderna i jämförelse med en tidigare studie.

Sammanfattning på engelska

Accurate models to predict severe postoperative complications could be of value in the preoperative assessment of potential candidates for bariatric surgery. Traditional statistical methods and machine learning (ML) methods have so far failed to produce high accuracy. To find a useful algorithm to predict the risk for severe complication after bariatric surgery, we will train and compare 3 deep learning (DL) algorithms, i.e. multilayer perceptron, convolutional neural network, and recurrent neural network, using the information of patients operated with a bariatric surgical procedure between 2010 and 2014 in Sweden. The algorithms will be then tested on patients operated in 2015. In the context that only 3% of patients experienced severe complications, most ML algorithms may show high accuracy (>90%) and specificity (>0.9) in both the training and test data. However, it is difficult to achieve an acceptable sensitivity in the test data. Therefore, we will use the synthetic minority oversampling technique to augment the positive outcomes. We will also try to tune the hyperparemeters of the DL algorithms to maximize sensitivity. We aim to find perceptible improvement in the DL methods better than what we found in a previous study.

Projektspecifik information

Ämnesord

checked Epidemiologi


(Only selected options are displayed. Click here to display all options)

Studietyp

Observationsstudie

Fas

IV

Randomiserad studie

Nej

Diagnoskod för huvuddiagnos

E65-E68 Fetma och andra övernäringstillstånd

Diagnoskod för underdiagnos

E65-E68 Fetma och andra övernäringstillstånd

Multicenterstudie

Nej

EPN diarienr

2013/535-31/5

Startdatum för datainsamling

2019-01-01

Slutdatum för datainsamling

2019-12-31

Studiens status

Planering och förberedelse

Inklusionsstatus

 Planerat antalAntal tillfrågadeScreen-failureAntal randominserade
n=44061000

Vetenskaplig sammanfattning

Accurate models to predict severe postoperative complications could be of value in the preoperative assessment of potential candidates for bariatric surgery. Traditional statistical methods and machine learning (ML) methods have so far failed to produce high accuracy. To find a useful algorithm to predict the risk for severe complication after bariatric surgery, we will train and compare 3 deep learning (DL) algorithms, i.e. multilayer perceptron, convolutional neural network, and recurrent neural network, using the information of patients operated with a bariatric surgical procedure between 2010 and 2014 in Sweden. The algorithms will be then tested on patients operated in 2015. In the context that only 3% of patients experienced severe complications, most ML algorithms may show high accuracy (>90%) and specificity (>0.9) in both the training and test data. However, it is difficult to achieve an acceptable sensitivity in the test data. Therefore, we will use the synthetic minority oversampling technique to augment the positive outcomes. We will also try to tune the hyperparemeters of the DL algorithms to maximize sensitivity. We aim to find perceptible improvement in the DL methods better than what we found in a previous study.

Involverade parter

Arbetsplats

information Added workplaces
Landsting - Region Örebro Län - Hälso- och sjukvård - Forskning och utbildning - Kliniskt forskningscentrum workplace verified by Region Örebro län on 2018-06-14 (0 %)

Coworker

Erik Stenberg
Specialistläkare, Kirurgiska kliniken
Erik Näslund
Professor/överläkare, Allmän kirurgi, Läkare kirurgi

Projektägare är huvudprövare

checked Ja


(Only selected options are displayed. Click here to display all options)


Deep learning algorithms in predicting severe complications after bariatric surgery, from FoU Region Örebro län
http://www.researchweb.org/is/fourol/project/254041