Spaanse onderzoekers ontwikkelden op basis van kunstmatige intelligentie een hulpmiddel dat zorgprofessionals ondersteunt bij het inschatten van de kans op succes van een Roux-en-Y bariatrische operatie. Deze tool is online beschikbaar.
Ontwikkeling van de tool
De tool maakt gebruik van 3 machine learning (ML)-modellen waaruit gekozen kan worden en geeft een voorspelling van succes of falen, met een bijbehorende waarschijnlijkheidsscore. De modellen zijn getraind op chirurgische uitkomsten na 18 maanden, gemeten aan de hand van de body mass index (BMI) en excess weight loss (EWL).
Om tot dit hulpmiddel te komen zijn gegevens gebruikt van 399 patiënten (113 mannen en 286 vrouwen) tussen de 18 en 70 jaar oud die een Roux-en-Y gastric bypass hadden ondergaan. Voor en na de operatie zijn antropometrische metingen gedaan, is de BMI bepaald en is bloedonderzoek gedaan. Patiënten werden geclassificeerd op basis van 2 veelgebruikte indicatoren voor operatiesucces: BMI en EWL.
- Een BMI van 30 kg/m² of lager wordt beschouwd als succes
- Een EWL van 65% of hoger voor mannen en 75% of hoger voor vrouwen wordt beschouwd als succes
Voorspellende modellen
De onderzoekers gebruikten voor de ontwikkeling van de tool twee voorspellende modellen, Random Forest en Gradient Boosting, omdat deze bekend staan als betrouwbare machine learning-methoden. Deze modellen analyseerden welke factoren het belangrijkst zijn voor een succesvol resultaat na de operatie. BMI, gewicht, vetmassa en de lengte van de Roux-limb bleken sterk samen te hangen met het uiteindelijke gewichtsverlies.
Resultaten
Wanneer BMI als maat voor succes werd gebruikt, behaalde het RF-model een nauwkeurigheid van 0,81 en een sensitiviteit van 0,91. Voor het GB-model waren deze waarden respectievelijk 0,83 en 0,93. Beide modellen gebruikten de 16 belangrijkste variabelen als invoer.
Wanneer EWL als uitkomstmaat werd gebruikt, behaalde het GB-model een nauwkeurigheid van 0,61 en een sensitiviteit van 0,90. Hiervoor werden alle 60 variabelen als invoer gebruikt.
De modellen zijn vrij beschikbaar via https://rysues.tecnun.es/
Bron: Machine learning tool for predicting success of bariatric surgery using pre- and perioperative variables. European Congress on Obesity (ECO) 2026. AD08.05
