Model predviđanja povraćanja nakon opće anestezije pri laparoskopskim ginekološkim zahvatima [Predictive model for postoperative vomiting in patients undergoing general anesthesia for laparoscopic gynecological surgery]

Šimurina, Tatjana (2011) Model predviđanja povraćanja nakon opće anestezije pri laparoskopskim ginekološkim zahvatima [Predictive model for postoperative vomiting in patients undergoing general anesthesia for laparoscopic gynecological surgery]. PhD thesis, Sveučilište u Zagrebu.

Preview

PDF Download (1MB) | Preview

Abstract

Postoperative vomiting (POV) is unpleasant and harmful adverse event with incidence about 32 percent in patients undergoing general anesthesia for elective laparoscopic gynecological surgery in General Hospital Zadar. Prevention of POV may be achieved by multimodal administration of prophylactic anti-emetics and/or use of less emetogenic anesthesia technique for high risk patients. The risk for POV could be estimated using a prediction model. The predictive models calculate the risk of POV based on patients', anesthetic and surgical factors. At present, only two predictive models for postoperative vomiting in adults were published. Koivuranta and colleagues developed a simplified predictive model based on logistic regression analysis with five strongest independent predictors: female gender, previous postoperative nausea and vomiting (PONV), duration of surgery over 60 minutes, nonsmoking status, history of motion sickness (h/o MS). Apfel and colleagues calculated the risk for POV according the complicated formula based on logistic regression and female gender, young age, non-smoking, h/o POV or MS, and high duration of anesthesia were independent predictors. The most used predictive model for PONV is Apfel's simplified risk score that includes four predictors: female gender, previous PONV or MS, nonsmoking and postoperative use of opioids. The predictive accuracy and general applicability of these predictive models are limited. Improvement of a POV predictive model would require further exploration of interactions and relationships among predictive variables. In this thesis, various potential risk factors for POV were assessed and all possible relationships between predictors were included into predictive models to improve the models' power and accuracy. Two proposed predictive models were developed based on risk factors data for POV in a group of 374 women who underwent general anesthesia for elective laparoscopic gynecological surgery in General Hospital Zadar. The first proposed model was based on logistic regression analysis. The second proposed model was based on method of multidimensional scaling (MDS) and promising approach where all interactions among the variables within the model could be visualized, called Visual CoPlot. The predictive accuracy of simplified predictive models, Apfel's model for PONV and Koivuranta's model for POV was tested in the same cohort of patients and compared with two proposed predictive models. Apfel's and Koivuranta's model as well as proposed model based on MDS and method CoPlot had moderate predictive values. Finally, a new model based on logistic regression analysis with 4 predictors: type of surgery (laparoscopic myomectomy and laparoscopic assisted vaginal hysterectomy), nonsmoking status, early postoperative pain and history of PONV, showed the best predictive property according to assessed clinical applicability of four risk scores, simplified Apfel's and Koivuranta's risk score and risk scores of both proposed models using convention performance measures: absolute predictive accuracy 70,86%, relative predictive accuracy 68,97%, sensitivity 0,743 and specificity 0,636. Antiemetic prophylaxis and/or modification of the anesthetic technique should be considered if two or more predictors are present in the final score. CoPlot mapping of the POV predictors for the two new POV models, final one based on logistic regression analysis and proposed model based on CoPlot method improves our knowledge on structure and functioning of such models.

Abstract in Croatian

Poslijeoperativno povraćanje je neugodna i štetna pojava koja se javlja s učestalošću oko 32% nakon planiranih laparoskopskih ginekoloških zahvata u Općoj bolnici Zadar. Višenačinski pristup sprječevanja obuhvaća primjenu lijekova i/ili određenih anestetika s manje izraženim svojstvima pobude na povraćanje kod bolesnika povećane osjetljivosti za ovu nuspojavu nakon anestezije. Za procjenu rizika nastanka poslijeoperativnog povraćanja služe modeli predviđanja. Procjena vjerojatnosti nastanka poslijeoperativnog povraćanja pomoću modela predviđanja temelji se na individualnim, anesteziološkim i kirurškim čimbenicima rizika za ovu nuspojavu. Do sada su poznata samo dva modela predviđanja poslijeoperativnog povraćanja. Koivuranta i suradnici razvili su pojednostavljeni model temeljen na logističkoj regresijskoj analizi s pet najjačih nezavisnih prediktora: ženski spol, prethodne poslijeoperativne mučnine i povraćanja, trajanje kirurškog zahvata dulje od 60 minuta, nepušenje, pozitivan anamnestički podatak o “bolesti putovanja”. Apfel i suradnici su izračunali rizik za pojavu poslijeoperativnog povraćanja pomoću složene formule temeljene na logističkoj regresiji gdje su nezavisni prediktori bili: ženski spol, mlađa životna dob, nepušenje, prethodne poslijeoperativne mučnine i povraćanja ili “bolesti putovanja” i produljeno trajanje anestezije. U praksi je najčešće primjenjivan Apfelov pojednostavljeni model predviđanja poslijeoperativnih mučnina i povraćanja koji uključuje samo 4 prediktora: ženski spol, prethodne poslijeoperativne mučnine i povraćanja ili “bolesti putovanja”, nepušenje i primjena opioida nakon kirurškog zahvata. Pouzdanost predviđanja i općenita primjenjivost do sada opisanih modela je ograničena. Da bi se postiglo poboljšanje modela predviđanja potrebno je istražiti međudjelovanja prediktivnih varijabli i njihove međusobne odnose. U ovoj disertaciji procijenjeni su brojni mogući čimbenici rizika poslijeoperativnog povraćanja i istražena međudjelovanja prediktorskih varijabli s ciljem povećanja pouzdanosti i osnaživanja modela predviđanja. Izgrađena su dva predložena modela predviđanja temeljem prikupljenih podataka o čimbenicima rizika poslijeoperativnog povraćanja kod 374 ispitanice koje su podvrgnute planiranim laparoskopskim ginekološkim zahvatima u općoj anesteziji u Općoj bolnici Zadar. Prvi predloženi model temeljen je na logističkoj regresijskoj analizi. Drugi predloženi model izveden je pomoću specifičnog pristupa temeljenog na višedimenzionalnom skaliranju i metodi CoPlot primjenom koje sva međudjelovanja prediktorskih varijabli unutar modela predviđanja mogu biti slikovno predočena. Pouzdanost pojednostavljenih modela, Apfelovog modela predviđanja poslijeoperativnih mučnina i povraćanja i Koivurantinog modela predviđanja poslijeoperativnog povraćanja je ispitana na istoj skupini ispitanica i uspoređena sa dva predložena modela predviđanja. Apfelov model za predviđanje poslijeoperativnih mučnina i povraćanja i Koivurantin za predviđanje poslijeoperativnog povraćanja kao i predloženi model temeljen na višedimenzionalnom skaliranju i metodi CoPlot, pokazali su umjerenu prediktivnu vrijednost. Usporedbom procjene kliničke primjenjivosti pojednostavljenih bodovnih zbrojeva prema Apfelu i Koivuranti i bodovnih zbrojeva za dva predložena modela konačni predloženi model temeljen na logističkoj regresiji sa sljedeća četiri prediktora: tip operacije (zahvati na maternici), nepušenje, rana poslijeoperativna bol i prethodne poslijeoperativne mučnine i povraćanja, pokazao je najbolje prediktivne karakteristike temeljem apsolutne prediktivne točnosti 70,86%, relativne prediktivne točnosti 68,97%, osjetljivosti 0,743 i specifičnosti 0,636. Uvažavanjem konačnog bodovnog zbroja gdje je svakom prediktoru pridružen jedan bod, antiemetsku zaštitu i/ili prilagodbu anesteziološke tehnike trebalo bi prema konačnom modelu temeljenom na logističkoj regresiji primijeniti kod zastupljena dva boda ili više. CoPlot prikaz prediktora u predloženom modelu temeljenom na metodi CoPlot i konačnom modelu temeljenom na logističkoj regresiji pridonosi našim spoznajama o strukturi i načinu funkcioniranja takvih modela.

Actions (login required)

View Item

Downloads