Voorspellen van grote complicaties en vocht tolerantie in patiënten na electieve grote gastro-intestinale chirurgie met behulp van toegepaste kunstmatige intelligentie in combinatie met point of care echografie.

Grote complicaties na majeure gastro-intestinale chirurgie komen vaak voor.
Klinische verslechtering wordt vaak voorgegaan door veranderingen in de
fysiologie. Vroege detectie van deze veranderingen kan uitkomsten mogelijk
verbeteren. Het hemodynamische profiel van deze patiënten bevat mogelijk
informatie voor het voorspellen van achteruitgang en de beste therapie.
Daarnaast kan point of care ultrasound gebruikt worden om de reactie op vocht
en vochttolerantie te voorspellen. Door machine learning te combineren met
point of care ultrasound verwachten wij klinische verslechtering te kunnen
voorspellen en te kunnen vaststellen of behandeling met vocht of vasopressors
optimaal is in elke individuele setting.

Het primaire doel van deze studie het ontwikkelen van een machine learning
framework dat majeure complicaties na majeure gastro-intestinale chirurgie kan
voorspellen. Secondaire doelen zijn het combineren van dit algoritme met point
of care echo's voor het voorspellen van de beste initiële resuscitatie
therapie. daarnaast willen we onderzoeken of het renine angiotensine aldosteron
systeem meer geactiveerd is na leverchirurgie.

Dit onderzoekt betreft een observationele cohort studie in 1 centrum.

Er zijn geen risico's geassocieerd met meedoen aan deze studie anders dan
tijdens de reguliere zorg.