Acute abdominal pain is a common presenting symptom in the emergency department and represents heterogeneous causes and diagnoses. There is often a decision to be made regarding emergency surgical care. Machine learning (ML) could be used here as a decision-support and relieve the time and personnel resource shortage.Patients with acute abdominal pain presenting to the Department of Surgery at Bonn University Hospital in 2020 and 2021 were retrospectively analyzed. Clinical parameters as well as laboratory values were used as predictors. After randomly splitting into a training and test data set (ratio 80 to 20), three ML algorithms were comparatively trained and validated. The entire procedure was repeated 20 times.A total of 1357 patients were identified and included in the analysis, with one in five (n = 276, 20.3%) requiring emergency abdominal surgery within 24 hours. Patients operated on were more likely to be male (p = 0.026), older (p = 0.006), had more gastrointestinal symptoms (nausea: p < 0.001, vomiting p < 0.001) as well as a more recent onset of pain (p < 0.001). Tenderness (p < 0.001) and guarding (p < 0.001) were more common in surgically treated patients and blood analyses showed increased inflammation levels (white blood cell count: p < 0.001, CRP: p < 0.001) and onset of organ dysfunction (creatinine: p < 0.014, quick p < 0.001). Of the three trained algorithms, the tree-based methods (h2o random forest and cforest) showed the best performance. The algorithms classified patients, i.e., predicted surgery, with a median AUC ROC of 0.81 and 0.79 and AUC PRC of 0.56 in test sets.A proof-of-concept was achieved with the development of an ML model for predicting timely surgical therapy for acute abdomen. The ML algorithm can be a valuable tool in decision-making. Especially in the context of heavily used medical resources, the algorithm can help to use these scarce resources more effectively. Technological progress, especially regarding artificial intelligence, increasingly enables evidence-based approaches in surgery but requires a strictly interdisciplinary approach. In the future, the use and handling of ML should be integrated into surgical training.
Akute Bauchschmerzen sind ein häufiges Leitsymptom in der Notaufnahme und repräsentieren heterogene Ursachen und Diagnosen. Es ist oftmals eine Entscheidung bez. einer notfallmäßigen operativen Versorgung zu treffen. Maschinelles Lernen (ML) könnte hierbei als Entscheidungshilfe eingesetzt werden und der zeitlichen und personellen Ressourcenknappheit entlastend entgegenwirken.Patienten mit akuten Bauchschmerzen, die sich in den Jahren 2020 und 2021 in der Chirurgie des Universitätsklinikums Bonn vorstellten, wurden retrospektiv analysiert. Klinische Parameter sowie Laborwerte wurden als Prädiktoren verwendet. Nach Aufteilung in einen Trainings- und Testdatensatz (Verhältnis 80:20) wurden 3 ML-Algorithmen vergleichend trainiert und validiert. Dieser Vorgang wurde 20-mal wiederholt.Insgesamt wurden 1357 Patienten identifiziert und in die Auswertung eingeschlossen, wobei jeder 5. (n = 276; 20,3 %) innerhalb von 24 h eine abdominelle Notfalloperation benötigte. Die zeitnah operierten Patienten waren häufiger männlich (p = 0,026), älter (p = 0,006) und wiesen vermehrt gastrointestinale Symptome (Übelkeit: p < 0,001; Erbrechen p < 0,001) sowie einen rezenteren Schmerzbeginn (p < 0,001) auf. Druckschmerz (p < 0,001) und Abwehrspannung (p < 0,001) zeigten sich gehäuft und laborchemisch konnte ein erhöhtes Inflammationsniveau (Leukozyten: p < 0,001; CRP: p < 0,001) sowie beginnende Organdysfunktionen (Kreatinin: p < 0,014; Quick p < 0,001) beobachtet werden. Von den 3 trainierten Algorithmen zeigte der Entscheidungsbaum-basierte h2o Random Forest die beste Performance. Der Algorithmus klassifizierte die Patienten, d. h. sagte eine Operation voraus, mit einer AUC ROC von 0,81 (95%-KI: 0,75–0,87) und einer AUC PRC von 0,56 (95%-KI: 0,44–0,67).Es gelang ein Proof-of-Concept mit der Entwicklung eines ML-Modelles zur Vorhersage einer zeitnahen operativen Therapie beim akuten Abdomen. Der ML-Algorithmus kann ein wertvolles Werkzeug in der Entscheidungsfindung sein. Besonders vor dem Hintergrund stark beanspruchter medizinsicher Ressourcen kann der Algorithmus helfen, diese knappen Ressourcen effektiver einzusetzen. Der technische Fortschritt, insbesondere im Hinblick auf künstliche Intelligenz, ermöglicht zunehmend evidenzbasierte Ansätze in der Chirurgie, erfordert allerdings ein streng interdisziplinäres Vorgehen. Zukünftig sollte der Einsatz und Umgang mit ML in die Ausbildung von Chirurgen integriert werden.
Thieme. All rights reserved.