Modello clinico-radiologico e di Body Composition come predittore di outcome post-chirurgici in Pazienti con occlusione meccanica del piccolo intestino

Background of the study: Mechanical small bowel obstruction (SBO) is one of the main causes of admission to the emergency room for acute abdomen, morbidity and mortality. Intestinal ischemia is its most feared complication and, if it is suspected, urgent surgical intervention is necessary. Given the significant role of CT in the diagnosis and characterization of SBO, it is of vital importance to be able to effectively predict intestinal ischemia/necrosis using CT signs and innovative Body Composition parameters extracted from CT data to improve and make the treatment of this pathology more effective. Purpose of the study: To evaluate a combined model (clinical-laboratory, radiological, and Body Composition) as a predictor of two outcomes in patients with mechanical SBO: post-surgical complications (classified according to Clavien-Dindo) and post-operative hospital stay (cut-off > 10 days). Materials and methods: Retrospective single-center study conducted on a population of 67 patients with mechanical SBO, recruited between January 2019 and November 2024. Clinical-laboratory, radiological and body composition parameters were collected and the patients were followed up until discharge. Using optimized machine learning techniques, two different combined models were obtained for each of the two proposed outcomes. The performance of each model was assessed by constructing ROC curves, measuring the area under the curve (AUC). Results: The 67 patients included in the study, of which 36 females (54%) and 31 males (46%), all underwent urgent surgery. Both identified predictive models present parameters from all three main data sets (clinical-laboratory, radiological, and Body Composition). ROC curves were used to validate these models, which presented an AUC of 0.781 (69.2% accuracy) for postoperative complications and an AUC of 0.659 (67% accuracy) for postoperative hospital stay (cut-off > 10 days), respectively. Conclusions: Using optimized multimodal machine learning techniques, we identified two combined predictive models for postsurgical complications and postoperative length of stay (cut-off > 10 days) in patients with mechanical SBO, regardless of etiology. Although the predictive power of these two models is moderate, their multifactorial nature is confirmed, which is consistent with the complex pathophysiology underlying small bowel obstruction.

Presupposti dello studio: L’occlusione meccanica dell’intestino tenue (small bowel obstruction/SBO) è una delle cause principali di accesso in Pronto Soccorso per addome acuto, di morbidità e mortalità. L’ischemia intestinale è la sua complicanza più temuta e, qualora sia sospettata, si rende necessario l’intervento chirurgico urgente. Dato il ruolo rilevante della TC nella diagnosi e nella caratterizzazione dell’occlusione, risulta di vitale importanza riuscire a predire efficacemente l’ischemia/necrosi intestinale mediante segni TC e innovativi parametri di Body Composition estratti dai dati TC per migliorare e rendere più efficace il trattamento di questa patologia. Scopo dello studio: Valutare in Pazienti con SBO meccanica un modello combinato (clinico-laboratoristico, radiologico e di Body Composition) come predittore di due outcome: complicanze post-chirurgiche (classificate sec. Clavien-Dindo) e periodo di degenza post-operatoria (cut-off > 10 giorni). Materiali e metodi: Studio retrospettivo monocentrico condotto su una popolazione di 67 Pazienti con SBO meccanica, reclutati tra gennaio 2019 e novembre 2024. Sono stati raccolti parametri clinico-laboratoristici, radiologici e di Body Composition e il follow-up dei Pazienti è stato sino alla dimissione. Mediante l’utilizzo di tecniche ottimizzate di machine learning sono stati ottenuti due modelli combinati diversi per ciascuno dei due outcome proposti. La performance di ciascun modello è stata valutata mediante la costruzione di curve ROC, misurando l’area al di sotto della curva (AUC). Risultati: I 67 Pazienti inclusi nello studio, di cui 36 femmine (54%) e 31 maschi (46%), sono stati tutti sottoposti ad intervento chirurgico urgente. Entrambi i modelli predittivi identificati presentano parametri provenienti da tutti e tre i principali gruppi di dati (clinico-laboratoristico, radiologico e di Body Composition). Per validare questi modelli sono state utilizzate le curve ROC, le quali presentano rispettivamente AUC di 0.781 (accuratezza del 69.2%) per quanto concerne le complicanze post-operatorie e AUC di 0.659 (accuratezza del 67%) per quanto concerne il periodo di degenza post-operatoria (cut-off > 10 giorni). Conclusioni: Mediante l’utilizzo di tecniche ottimizzate di machine learning multimodali, si è riusciti a identificare due modelli combinati predittivi di complicanze post-chirurgiche e periodo di degenza post-operatoria (cut-off > 10 giorni) in Pazienti con SBO meccanica, indipendentemente dall’eziologia. Sebbene la capacità predittiva di questi due modelli sia moderata, se ne conferma la natura multifattoriale, che risulta essere coerente con la fisiopatologia complessa alla base dell’occlusione del piccolo intestino.