PRE-FRAIL - Decoding and Preventing Frailty After Robotic-assisted Surgery - Investigating Biomarkers and Clinical Outcomes in Urinary Tract Cancer Patients: Findings from a retrospective cohort study
Translated title
PRE-FRAIL - Afdækning og Forebyggelse af Skrøbelighed Efter Robotassisteret Kirurgi - Undersøgelse af Biomarkører og Kliniske Udfald hos Patienter med Urinvejskræft: Fund fra et retrospektivt kohortestudie
Authors
Zieger, Kerstin Gerda ; Sørensen, Anders Østerby ; Andersen, Anders Borg
Term
5. Term (Master thesis)
Education
Publication year
2025
Pages
36
Abstract
Bladder cancer often affects older, comorbid, and frail patients, making radical cystectomy a high-risk operation. This study of patients undergoing robotic-assisted radical cystectomy at Aalborg University Hospital (AaUH) from 2020 to 2025 examined whether 3D AI-based analysis of preoperative CT scans can use body composition measures (CTBC) to predict major complications (Clavien–Dindo ≥ 3) or readmission. We included 134 patients and used univariate logistic regression to test associations between CTBC parameters and these outcomes. We also applied LASSO (a method that selects the most relevant variables) and ROC curves with AUC (area under the curve, indicating overall model accuracy) to evaluate predictive performance. No CTBC parameters were significantly associated with major complications, and the LASSO model achieved an AUC of 0.5, equivalent to chance. For readmissions, the intramuscular adipose tissue index (IMATI, a measure of fat within muscles) was associated with higher odds of readmission (OR 1.11; 95% CI 1.03–1.21; P = 0.01), while other CTBC measures showed no association. The LASSO model for readmission had an AUC of 0.676, considered too low for clinical use. Overall, 3D CT-based body composition did not predict major complications, and although IMATI was statistically linked to readmission, the predictive value was modest. Larger studies may be needed to clarify whether 3D CT body composition can help predict complications or readmission after robotic-assisted cystectomy.
Blærekræft rammer ofte ældre, komorbide og skrøbelige patienter, og radikal cystektomi er derfor en risikofyldt operation. Denne undersøgelse af patienter, der gennemgik robotassisteret radikal cystektomi på Aalborg Universitetshospital (AaUH) i 2020–2025, vurderer om 3D AI-baseret analyse af præoperative CT-scanninger kan udnytte kropssammensætningsmål (CTBC) til at forudsige risiko for større komplikationer (Clavien–Dindo ≥ 3) eller genindlæggelse. Vi inkluderede 134 patienter og anvendte univariat logistisk regression til at teste sammenhænge mellem CTBC-parametre og de to udfald. Derudover brugte vi LASSO (en metode til at udvælge de mest relevante variable) og ROC-kurver med AUC (areal under kurven, et mål for modellens træfsikkerhed) for at vurdere den samlede prædiktive ydeevne. Ingen CTBC-parametre var signifikant forbundet med større komplikationer, og LASSO-modellen gav AUC 0,5, svarende til tilfældig gætning. For genindlæggelser var intramuskulært fedtindeks (IMATI, et mål for fedt inde i muskler) forbundet med øget risiko for genindlæggelse (OR 1,11; 95% KI 1,03–1,21; P = 0,01), mens øvrige CTBC-parametre ikke var associeret. LASSO-modellen for genindlæggelser havde AUC 0,676, vurderet som for lav til klinisk brug. Samlet set forudsagde 3D-CT-baserede kropssammensætningsmål ikke større komplikationer, og selv om IMATI var statistisk knyttet til genindlæggelse, var den overordnede prædiktive værdi beskeden. Et større studie kan være nødvendigt for at afklare, om 3D-CT-kropssammensætning kan forbedre risikovurderingen for komplikationer eller genindlæggelse efter robotassisteret cystektomi.
[This apstract has been rewritten with the help of AI based on the project's original abstract]
Keywords