Breadcrumb

Erik Bülow - Ny statistiskmodell bättre på att förutspå död till följd av höftprotesoperation

Published

Erik Bülow disputerade den 18 september 2020 i ämnet ortopedi institutionen för kliniska vetenskaper, Sahlgrenska akademin.

Titel på avhandlingen; Predicting mortality by comorbidity for patients with hip arthroplasty. Prospective observational register studies of a nationwide Swedish cohort

Länk direkt till avhandlingen

Ny statistiskmodell bättre på att förutspå död till följd av höftprotesoperation

Image
Erik Bülow

Majoriteten höftprotesoperationer föregås av antingen höftledsartros eller fraktur på lårbenshalsen. Artrospatienter är i regel friska som helhet och förväntas leva vidare länge efter operationen. Medan frakturpatienter oftare är äldre och sköra, och där 13 procent av dem avlider inom 90 dagar efter operation. Det har länge varit önskvärt att prediktera kort- och långtidsöverlevnad för respektive patientgrupp, men befintliga modeller har inte fått något bredare genomslag.

– Modellerna har ofta lidit av för små patientunderlag eller användning av suboptimala statistiska metoder. Vi har därför breddat patientunderlaget genom att inkludera patientdata från Svenska Höftprotesregistret SHPR och länkat samman det med Registret över totalbefolkningen RTB,  samt Patientregistret och Läkemedelsregistret, båda hos Socialstyrelsen, och sociodemografiska data från bland annat LISA hos SCB, säger Erik Bülow, matematisk statistiker anställd vid Regionalt cancercentrum väst RCC, och doktorand vid SHPR och Registercentrum VGR.

Mjukvara utvecklades för att hantera stora datamängder

I ett förberedande steg utvecklades mjukvara för att till de senare arbetena kunna hantera de stora datamängder man ville analysera och dra slutsatser av.

– Först konstaterade vi att befintliga samsjuklighetsindex inte ensamt tjänar till att förutspå överlevnaden för dessa patienter. Ålder, och i viss mån kön, har betydligt större påverkan på återstående livslängd, jämfört med eventuell samsjuklighet före operation. Istället utvecklade vi en egen relativt enkel modell för prediktion av död inom 90 dagar efter en höftoperation till följd av artros. Där inkluderade vi en viss samsjuklighet, men filtrerade ut endast relevanta diagnoser och andra egenskaper via statistisk modellering (maskininlärning).

Även mer traditionell association mellan samsjuklighet och överlevnad på gruppnivå undersöktes.

 – Vi ville visa att det finns bättre sätt att modellera och presentera denna typ av data, i form av det förväntade medelvärdet av överlevnadstiden under en begränsad tidsperiod. Syftet var också att försöka förklara varför samma faktor (samsjuklighet) kan vara associerad med ett utfall (död) på gruppnivå, utan att man för den sakens skull kan använda samma information för att förutspå det senare utfallet hos enskilda individer.

Slumpen en faktor att vara ödmjuk inför

 – Det finns en övertro kring att algoritmer och artificiell intelligens kan ge svar på alla frågor, men då gäller det att ha data av hög kvalitet, och just i Sverige finns dessa förutsättningar tack vare våra personnummer och kvalitetsregister. Det finns områden med en väldigt lovande teknisk utveckling, inom bildanalys och prognostisering till exempel, men det finns också en väldigt stor slump kring exempelvis vem som får leva och vem som får dö. Detta måste vi vara ödmjuka inför.

INFORMATION OM DISPUTATIONEN

Opponent: Aldana Rosso, Lunds universitet, Lund
Betygsnämnd: Bengt Nellgård, Anna Bornefalk Hermansson och Mats Brittberg
Huvudhandledare: Szilard Nemes
(tidigare huvudhandledare och bihandledare t.o.m 2019 Göran Garellik)
Bihandledare: Ola Rolfson och Nils P Hailer