Los protocolos Enhanced Recovery After Surgery (ERAS) mejoran los resultados tras la cirugía colorrectal, pero la adherencia sigue siendo variable y puede interactuar con el riesgo del paciente. Las puntuaciones tradicionales de cumplimiento carecen de granularidad para explorar dichas dinámicas. Nuestro objetivo fue utilizar el aprendizaje automatizado (machine learning) interpretable para cuantificar la contribución de los ítems individuales de ERAS y las características clínicas a las complicaciones postoperatorias, e identificar los fenotipos ERAS impulsados por los datos.
MétodosEste es un análisis secundario de la cohorte EuroPOWER (NCT04889798), un estudio prospectivo europeo que incluye 2.841 adultos sometidos a cirugía colorrectal electiva. Se formaron 2 modelos de potenciación extrema de gradiente (Extreme Gradient Boosting) para predecir las complicaciones intrahospitalarias: un modelo completo (variables clínicas + 23 ítems ERAS) y un modelo exclusivamente ERAS. Ambos fueron interpretados mediante Shapley Additive Explanations (SHAP). En el modelo completo, se agruparon las matrices SHAP para derivar fenotipos. Se compararon descriptivamente la importancia de la función, la adherencia a la misma, así como las tasas de complicaciones.
ResultadosEl modelo completo logró un ABC de 0,627. El análisis SHAP identificó la fragilidad, clase ASA, IMC y edad como predictores principales, seguidos de la movilización temprana, la atención nutricional y la tromboprofilaxis. Se identificaron 3 fenotipos, con tasas de complicaciones del 17,7, 27,1 y 41,1%, correspondientes a perfiles sólido, intermedio y frágil, respectivamente. El modelo exclusivamente ERAS reflejó una discriminación similar (área bajo la curva de 0,642), pero redujo la interpretabilidad. El análisis de redundancia SHAP respaldó la inclusión de todos los ítems ERAS.
ConclusionesEl efecto clínico de la adherencia a ERAS parece estar modulado por la vulnerabilidad basal y los patrones de implementación. Los modelos basados en SHAP permiten la atribución transparente del riesgo y la identificación de fenotipos, respaldando estrategias ERAS más dirigidas, así como el desarrollo futuro de herramientas automatizadas de monitorización de la calidad.
Enhanced Recovery After Surgery (ERAS) protocols improve outcomes after colorectal surgery, but adherence remains variable and may interact with patient risk. Traditional compliance scores lack granularity to explore these dynamics. We aimed to use interpretable machine learning to quantify the contribution of individual ERAS items and clinical features to postoperative complications, and to identify data-driven ERAS phenotypes.
MethodsThis was a secondary analysis of the EuroPOWER cohort (NCT04889798), a prospective European study including 2,841 adults undergoing elective colorectal surgery. Two Extreme Gradient Boosting models were trained to predict in-hospital complications: a complete model (clinical variables + 23 ERAS items) and an ERAS-only model. Both were interpreted using Shapley Additive Explanations (SHAP). In the complete model, SHAP matrices were clustered to derive phenotypes. Feature importance, adherence, and complication rates were compared descriptively.
ResultsThe complete model achieved an AUC of 0.627. SHAP analysis identified frailty, ASA class, BMI, and age as leading predictors, followed by early mobilisation, nutritional care, and thromboprophylaxis. Three phenotypes were identified, with complication rates of 17.7%, 27.1%, and 41.1%, corresponding to robust, intermediate, and frail profiles. The ERAS-only model showed similar discrimination (area under the curve 0.642), but reduced interpretability. SHAP redundancy analysis supported inclusion of all ERAS items.
ConclusionsThe clinical effect of ERAS adherence appears to be modulated by baseline vulnerability and implementation patterns. SHAP-based models enable transparent risk attribution and phenotype identification, supporting more targeted ERAS strategies and future development of automated quality monitoring tools.
