Randomized trial of a computerized coronary heart disease risk assessment tool in HIV-infected patients receiving combination antiretroviral therapy.

BACKGROUND: Exposure to combination antiretroviral therapy (cART) can lead to important metabolic changes and increased risk of coronary heart disease (CHD). Computerized clinical decision support systems have been advocated to improve the management of patients at risk for CHD but it is unclear whether such systems reduce patients' risk for CHD. METHODS: We conducted a cluster trial within the Swiss HIV Cohort Study (SHCS) of HIV-infected patients, aged 18 years or older, not pregnant and receiving cART for >3 months. We randomized 165 physicians to either guidelines for CHD risk factor management alone or guidelines plus CHD risk profiles. Risk profiles included the Framingham risk score, CHD drug prescriptions and CHD events based on biannual assessments, and were continuously updated by the SHCS data centre and integrated into patient charts by study nurses. Outcome measures were total cholesterol, systolic and diastolic blood pressure and Framingham risk score. RESULTS: A total of 3,266 patients (80% of those eligible) had a final assessment of the primary outcome at least 12 months after the start of the trial. Mean (95% confidence interval) patient differences where physicians received CHD risk profiles and guidelines, rather than guidelines alone, were total cholesterol -0.02 mmol/l (-0.09-0.06), systolic blood pressure -0.4 mmHg (-1.6-0.8), diastolic blood pressure -0.4 mmHg (-1.5-0.7) and Framingham 10-year risk score -0.2% (-0.5-0.1). CONCLUSIONS: Systemic computerized routine provision of CHD risk profiles in addition to guidelines does not significantly improve risk factors for CHD in patients on cART.

Derivation and validation of a prognostic model for pulmonary embolism.

RATIONALE: An objective and simple prognostic model for patients with pulmonary embolism could be helpful in guiding initial intensity of treatment. OBJECTIVES: To develop a clinical prediction rule that accurately classifies patients with pulmonary embolism into categories of increasing risk of mortality and other adverse medical outcomes. METHODS: We randomly allocated 15,531 inpatient discharges with pulmonary embolism from 186 Pennsylvania hospitals to derivation (67%) and internal validation (33%) samples. We derived our prediction rule using logistic regression with 30-day mortality as the primary outcome, and patient demographic and clinical data routinely available at presentation as potential predictor variables. We externally validated the rule in 221 inpatients with pulmonary embolism from Switzerland and France. MEASUREMENTS: We compared mortality and nonfatal adverse medical outcomes across the derivation and two validation samples. MAIN RESULTS: The prediction rule is based on 11 simple patient characteristics that were independently associated with mortality and stratifies patients with pulmonary embolism into five severity classes, with 30-day mortality rates of 0-1.6% in class I, 1.7-3.5% in class II, 3.2-7.1% in class III, 4.0-11.4% in class IV, and 10.0-24.5% in class V across the derivation and validation samples. Inpatient death and nonfatal complications were <or= 1.1% among patients in class I and <or= 1.9% among patients in class II. CONCLUSIONS: Our rule accurately classifies patients with pulmonary embolism into classes of increasing risk of mortality and other adverse medical outcomes. Further validation of the rule is important before its implementation as a decision aid to guide the initial management of patients with pulmonary embolism.

Machine learning for geospatial data : algorithms, software tools and case studies

Résumé Cette thèse est consacrée à l'analyse, la modélisation et la visualisation de données environnementales à référence spatiale à l'aide d'algorithmes d'apprentissage automatique (Machine Learning). L'apprentissage automatique peut être considéré au sens large comme une sous-catégorie de l'intelligence artificielle qui concerne particulièrement le développement de techniques et d'algorithmes permettant à une machine d'apprendre à partir de données. Dans cette thèse, les algorithmes d'apprentissage automatique sont adaptés pour être appliqués à des données environnementales et à la prédiction spatiale. Pourquoi l'apprentissage automatique ? Parce que la majorité des algorithmes d'apprentissage automatiques sont universels, adaptatifs, non-linéaires, robustes et efficaces pour la modélisation. Ils peuvent résoudre des problèmes de classification, de régression et de modélisation de densité de probabilités dans des espaces à haute dimension, composés de variables informatives spatialisées (« géo-features ») en plus des coordonnées géographiques. De plus, ils sont idéaux pour être implémentés en tant qu'outils d'aide à la décision pour des questions environnementales allant de la reconnaissance de pattern à la modélisation et la prédiction en passant par la cartographie automatique. Leur efficacité est comparable au modèles géostatistiques dans l'espace des coordonnées géographiques, mais ils sont indispensables pour des données à hautes dimensions incluant des géo-features. Les algorithmes d'apprentissage automatique les plus importants et les plus populaires sont présentés théoriquement et implémentés sous forme de logiciels pour les sciences environnementales. Les principaux algorithmes décrits sont le Perceptron multicouches (MultiLayer Perceptron, MLP) - l'algorithme le plus connu dans l'intelligence artificielle, le réseau de neurones de régression généralisée (General Regression Neural Networks, GRNN), le réseau de neurones probabiliste (Probabilistic Neural Networks, PNN), les cartes auto-organisées (SelfOrganized Maps, SOM), les modèles à mixture Gaussiennes (Gaussian Mixture Models, GMM), les réseaux à fonctions de base radiales (Radial Basis Functions Networks, RBF) et les réseaux à mixture de densité (Mixture Density Networks, MDN). Cette gamme d'algorithmes permet de couvrir des tâches variées telle que la classification, la régression ou l'estimation de densité de probabilité. L'analyse exploratoire des données (Exploratory Data Analysis, EDA) est le premier pas de toute analyse de données. Dans cette thèse les concepts d'analyse exploratoire de données spatiales (Exploratory Spatial Data Analysis, ESDA) sont traités selon l'approche traditionnelle de la géostatistique avec la variographie expérimentale et selon les principes de l'apprentissage automatique. La variographie expérimentale, qui étudie les relations entre pairs de points, est un outil de base pour l'analyse géostatistique de corrélations spatiales anisotropiques qui permet de détecter la présence de patterns spatiaux descriptible par une statistique. L'approche de l'apprentissage automatique pour l'ESDA est présentée à travers l'application de la méthode des k plus proches voisins qui est très simple et possède d'excellentes qualités d'interprétation et de visualisation. Une part importante de la thèse traite de sujets d'actualité comme la cartographie automatique de données spatiales. Le réseau de neurones de régression généralisée est proposé pour résoudre cette tâche efficacement. Les performances du GRNN sont démontrées par des données de Comparaison d'Interpolation Spatiale (SIC) de 2004 pour lesquelles le GRNN bat significativement toutes les autres méthodes, particulièrement lors de situations d'urgence. La thèse est composée de quatre chapitres : théorie, applications, outils logiciels et des exemples guidés. Une partie importante du travail consiste en une collection de logiciels : Machine Learning Office. Cette collection de logiciels a été développée durant les 15 dernières années et a été utilisée pour l'enseignement de nombreux cours, dont des workshops internationaux en Chine, France, Italie, Irlande et Suisse ainsi que dans des projets de recherche fondamentaux et appliqués. Les cas d'études considérés couvrent un vaste spectre de problèmes géoenvironnementaux réels à basse et haute dimensionnalité, tels que la pollution de l'air, du sol et de l'eau par des produits radioactifs et des métaux lourds, la classification de types de sols et d'unités hydrogéologiques, la cartographie des incertitudes pour l'aide à la décision et l'estimation de risques naturels (glissements de terrain, avalanches). Des outils complémentaires pour l'analyse exploratoire des données et la visualisation ont également été développés en prenant soin de créer une interface conviviale et facile à l'utilisation. Machine Learning for geospatial data: algorithms, software tools and case studies Abstract The thesis is devoted to the analysis, modeling and visualisation of spatial environmental data using machine learning algorithms. In a broad sense machine learning can be considered as a subfield of artificial intelligence. It mainly concerns with the development of techniques and algorithms that allow computers to learn from data. In this thesis machine learning algorithms are adapted to learn from spatial environmental data and to make spatial predictions. Why machine learning? In few words most of machine learning algorithms are universal, adaptive, nonlinear, robust and efficient modeling tools. They can find solutions for the classification, regression, and probability density modeling problems in high-dimensional geo-feature spaces, composed of geographical space and additional relevant spatially referenced features. They are well-suited to be implemented as predictive engines in decision support systems, for the purposes of environmental data mining including pattern recognition, modeling and predictions as well as automatic data mapping. They have competitive efficiency to the geostatistical models in low dimensional geographical spaces but are indispensable in high-dimensional geo-feature spaces. The most important and popular machine learning algorithms and models interesting for geo- and environmental sciences are presented in details: from theoretical description of the concepts to the software implementation. The main algorithms and models considered are the following: multi-layer perceptron (a workhorse of machine learning), general regression neural networks, probabilistic neural networks, self-organising (Kohonen) maps, Gaussian mixture models, radial basis functions networks, mixture density networks. This set of models covers machine learning tasks such as classification, regression, and density estimation. Exploratory data analysis (EDA) is initial and very important part of data analysis. In this thesis the concepts of exploratory spatial data analysis (ESDA) is considered using both traditional geostatistical approach such as_experimental variography and machine learning. Experimental variography is a basic tool for geostatistical analysis of anisotropic spatial correlations which helps to understand the presence of spatial patterns, at least described by two-point statistics. A machine learning approach for ESDA is presented by applying the k-nearest neighbors (k-NN) method which is simple and has very good interpretation and visualization properties. Important part of the thesis deals with a hot topic of nowadays, namely, an automatic mapping of geospatial data. General regression neural networks (GRNN) is proposed as efficient model to solve this task. Performance of the GRNN model is demonstrated on Spatial Interpolation Comparison (SIC) 2004 data where GRNN model significantly outperformed all other approaches, especially in case of emergency conditions. The thesis consists of four chapters and has the following structure: theory, applications, software tools, and how-to-do-it examples. An important part of the work is a collection of software tools - Machine Learning Office. Machine Learning Office tools were developed during last 15 years and was used both for many teaching courses, including international workshops in China, France, Italy, Ireland, Switzerland and for realizing fundamental and applied research projects. Case studies considered cover wide spectrum of the real-life low and high-dimensional geo- and environmental problems, such as air, soil and water pollution by radionuclides and heavy metals, soil types and hydro-geological units classification, decision-oriented mapping with uncertainties, natural hazards (landslides, avalanches) assessments and susceptibility mapping. Complementary tools useful for the exploratory data analysis and visualisation were developed as well. The software is user friendly and easy to use.

El camino hacia la integración de sistemas de gestión de la información científica : el TCD (Trinity College Dublin) como estudio de caso. CERIF y euroCRIS

Pablo de Castro, Director de GrandIR, describió la visión que el Grupo euroCRIS tiene de la infraestructura integrada de gestión de la información científica, compuesta por un sistema CRIS institucional, un repositorio de publicaciones y un repositorio de datos y software, y presentó el modelo de infraestructura integrada del Trinity College Dublin (TCD) como estudio de caso internacional. El sistema CRIS del TCD (TCD Research Support System o RSS), desde su primera versión en 2002, está basado en el estándar CERIF, un modelo de descripción de la actividad científica que está adquiriendo una progresiva relevancia como base de los sistemas CRIS en Europa, particularmente en el Reino Unido. Se citaron en la presentación los ensayos para incorporar CERIF al modelo de datos del software ePrints de repositorios, habilitándolo así para soportar parte de las tareas de recolección de información que realiza un CRIS, y la progresiva cobertura de CERIF a ámbitos tales como la gestión de datos de investigación.

YK:n nopean toiminnan joukkojen päätöksentekojärjestelmä

Abstract: The decision-making system of the United Nations Rapid Deployment Forces

Reporting customer information for sales management

Elektroniikan alihankintapalveluiden (EMS) liiketoimintaympäristössä yritykset toimivat pääasiassa asiakkaiden projektien ja ulkoistamispäätösten keskellä. Tämän tyyppisessä liiketoimintaympäristössä on asiakas keskeisessä roolissa, kuten liiketoiminnassa yleensäkin. Termi EMS sisältää koko tuotteen elinkaaren aina suunnittelusta myynnin jälkeisiin palveluihin. Asiakkaan olessa erittäin tärkeä yritykselle, on myös selvitettävä mitkä asiakkaat ovat yrityksen kannalta arvokkaimmat. Tämän tutkimuksen tavoitteena oli selvittää myyntijohdon tietotarpeet sekä löytää selkeä ja helppokäyttöinen tapa tuoda tarvittava informaatio heidän käyttöönsä. Tietotarpeet selvitettiin haastatteluilla ja kyselytutkimuksella ja sopivan järjestelmän löytämisessä käytettiin prototyyppi-lähestymistä, jotta saataisiin selville täyttääkö valittu järjestelmä myyntijohdon tarpeet. Nk. dashboard-mittaristot ovat hyvä tapa tuoda asiakasinformaatiota päätöksenteontueksi. Tälläisillä mittaristoilla voidaan myös yhdistellä eri lähteistä olevaa tietoa ja tuoda se ymmärrettävässä muodossa esiin. Tässä tutkimuksessa kuvataan mittariston suunnittelu myyntijohdon tarpeisiin. Ensimmäisenä tutkitaan kyselyn avulla myyntijohtajien tiedon tarpeet ja tämän jälkeen etsitään sopiva tekninen sovellus ja ratkaistaan tiedon siirtoihin liittyvät ongelmat. Kun ensimmäinen versio on valmis, esitellään se myyntijohdolle, jotta saadaan kerättyä kommentit seuraavaan versioon.

Korkeapainehöyryputkiston kannakoinnin muutostyön tuotteistaminen

Teollisuusyritysten kunnossapitostrategioiden muuttuessa enemmän ennakoivan kunnossapidon suuntaan, avaase teollisuuspalveluille uusia mahdollisuuksia. Nykyisin yksi menestyvän yrityksen lähtökohdista on kehittää tuotettaan asiakaslähtöisesti. Yrityksen täytyy luoda toimintatapoja, joilla tietoa asiakkaiden tarpeista pystytään keräämään. Työssä käsitellään asiakastarvekartoituksen vaiheet korkeapainehöyryputkiston muutosyön kehittämistä varten. asiakastarvekartoitukseen valitaan menetelmät niin tiedon hankintaa kuin analysointia varten. Asiakastarvekartoituksessa ei huomioida ainoastaan asiakasta, vaan siinä huomioidaan myös yrityksen itsensä sekä muiden osapuolten, kuten viranomaisten, vaikutus tuotteeseen. Asiakastarvekartoituksen avulla saadaan muutostyölle asetettua konkreettisia tavoitteita, sekä kehitettyä ratkaisuja, joiden avulla asiakasta pystytään palvelemaan entistä paremmin.

Raportointi- ja suunnittelujärjestelmän käyttöönotto ja kehittäminen

Diplomityö liittyy case-yhtiön raportointi- ja suunnittelujärjestelmän käyttöönottoon ja kehittämiseen. Työn tavoitteena on raportoinnin toteuttaminen uudella järjestelmällä. Diplomityön teoriaosuudessa perehdytään johdon laskentatoimen rooliin johtamisen tukena, business intelligence -käsitteeseen ja raportointijärjestelmähankkeisiin liittyviin haasteisiin johdon laskentatoimen näkökulmasta. Työn empiirisessä osassa kuvataan raportoinnin toteutus uudella järjestelmällä, laaditaan raportointi- ja suunnittelujärjestelmän arkkitehtuurikuvaus, arvioidaan käyttöönottoprojektin onnistumisesta sekä esitetään jatkokehitysehdotuksia. Diplomityö on osa case-yhtiön johdon laskentatoimen kehittämistä ja jatkoa aiemmin yhtiön raportoinnin kehittämistä tutkineelle diplomityölle. Meneillään oleva raportointi- jasuunnittelujärjestelmä -projekti on osa yhtiön laajempaa IT-järjestelmien integraatioprojektia. Näin diplomityö liittyy myös yhtiön tietojärjestelmien kehittämiseen ja uudistamiseen. Diplomityössä rakennettiin case-yhtiön talouden raportointiympäristöä uuteen järjestelmään ja kehitettiin johdon laskentatoimen raportteja. Työssä kehitetty talouden raportointi täyttää raportointi- ja suunnittelujärjestelmähankkeelle asetetut tavoitteet. Raportointi on erilaiset tarpeet huomioivaa, läpinäkyvää ja antaa kokonaiskuvan tarkasteltavasta kohteesta, mutta mahdollistaa myös tapahtumien yksityiskohtaisen tarkastelun. Raportointi perustuu sähköpostin kautta jaettaviin vakioraportteihin sekä käyttäjän itse raportointiportaalissa suorittamaan raportointiin. Talouden seurannan lisäksi työssä laadittiin raportteja teknisen tiedon ja työtuntien seurantaan. Case-yhtiön nykyinen johdon laskentatoimen raportointi toteutetaan työssä esitetyllä järjestelmällä.

Teleoperaattorinlaajakaistaviankorjauksen tehostaminen

Työssä tutkittiin voidaanko helpdesk-asiantuntijoille kehitetyn asiantuntijan ja tietojärjestelmän väliseen dialogiin ja puumaiseen ongelmanratkaisulogiikkaan perustuvan tukijärjestelmän käytöllä tehostaa laajakaistaliittymäviankorjausta. Työ selvitti dialogi-työkalun käyttöönoton jälkeisen vuoden seurantajakson aikana helpdeskin ongelmanratkaisuasteen ja liittymäviankorjausprosessin kehitystä sekä arvioi prosessin tehostumisen vaikutusta palvelun laatuun. Seurantajakson aikana helpdeskissä päätettyjen asiakaskontaktien määrä kasvoi merkittävästi, viankorjausprosessin keskimääräinenläpimenoaika lyhentyi ja vikailmoituksen kohdentamistarkkuus oikeaan työjonoon parani. Prosessin tehostumista kuvaavien mittareiden muutos on tilastollisesti erittäin merkitsevä. Dialogi-työkalulla voidaan tehostaa laajakaistaliittymien viankorjausprosessia merkittävästi ja vaikuttaa joiltain osin myös palvelun laatuun.

MANAGING STRATEGIC CHANGE:New Business Models Applying Wireless Technology as a Source of Competitive Edge

The diffusion of mobile telephony began in 1971 in Finland, when the first car phones, called ARP1 were taken to use. Technologies changed from ARP to NMT and later to GSM. The main application of the technology, however, was voice transfer. The birth of the Internet created an open public data network and easy access to other types of computer-based services over networks. Telephones had been used as modems, but the development of the cellular technologies enabled automatic access from mobile phones to Internet. Also other wireless technologies, for instance Wireless LANs, were also introduced. Telephony had developed from analog to digital in fixed networks and allowed easy integration of fixed and mobile networks. This development opened a completely new functionality to computers and mobile phones. It also initiated the merger of the information technology (IT) and telecommunication (TC) industries. Despite the arising opportunity for firms' new competition the applications based on the new functionality were rare. Furthermore, technology development combined with innovation can be disruptive to industries. This research focuses on the new technology's impact on competition in the ICT industry through understanding the strategic needs and alternative futures of the industry's customers. The change speed inthe ICT industry is high and therefore it was valuable to integrate the DynamicCapability view of the firm in this research. Dynamic capabilities are an application of the Resource-Based View (RBV) of the firm. As is stated in the literature, strategic positioning complements RBV. This theoretical framework leads theresearch to focus on three areas: customer strategic innovation and business model development, external future analysis, and process development combining these two. The theoretical contribution of the research is in the development of methodology integrating theories of the RBV, dynamic capabilities and strategic positioning. The research approach has been constructive due to the actual managerial problems initiating the study. The requirement for iterative and innovative progress in the research supported the chosen research approach. The study applies known methods in product development, for instance, innovation process in theGroup Decision Support Systems (GDSS) laboratory and Quality Function Deployment (QFD), and combines them with known strategy analysis tools like industry analysis and scenario method. As the main result, the thesis presents the strategic innovation process, where new business concepts are used to describe the alternative resource configurations and scenarios as alternative competitive environments, which can be a new way for firms to achieve competitive advantage in high-velocity markets. In addition to the strategic innovation process as a result, thestudy has also resulted in approximately 250 new innovations for the participating firms, reduced technology uncertainty and helped strategic infrastructural decisions in the firms, and produced a knowledge-bank including data from 43 ICT and 19 paper industry firms between the years 1999 - 2004. The methods presentedin this research are also applicable to other industries.

On-Line Analytical Processing of Inventory Turnover

Operatiivisen tiedon tuottaminen loppukäyttäjille analyyttistä tarkastelua silmällä pitäen aiheuttaa ongelmia useille yrityksille. Diplomityö pyrkii ratkaisemaan ko. ongelman Teleste Oyj:ssä. Työ on jaettu kolmeen pääkappaleeseen. Kappale 2 selkiyttää On-Line Analytical Processing (OLAP)- käsitteen. Kappale 3 esittelee muutamia OLAP-tuotteiden valmistajia ja heidän arkkitehtuurejaan sekä tyypillisten sovellusalueiden lisäksi huomioon otettavia asioita OLAP käyttöönoton yhteydessä. Kappale 4, tuo esille varsinaisen ratkaisun. Teknisellä arkkitehtuurilla on merkittävä asema ratkaisun rakenteen kannalta. Tässä on sovellettu Microsoft:n tietovarasto kehysrakennetta. Kappaleen 4 edetessä, tapahtumakäsittelytieto muutetaan informaatioksi ja edelleen loppukäyttäjien tiedoksi. Loppukäyttäjät varustetaan tehokkaalla ja tosiaikaisella analysointityökalulla moniulotteisessa ympäristössä. Vaikka kiertonopeus otetaan työssä sovellusesimerkiksi, työ ei pyri löytämään optimaalista tasoa Telesten varastoille. Siitä huolimatta eräitä parannusehdotuksia mainitaan.

Internet -palvelunhallinta

Internet -palvelunhallinnan rooli kasvaa tulevaisuudessa ja sen kehittäminen on yhä tärkeämpää. Palvelut kehittyvät monipuolisemmiksi, niiden laatu paranee ja käyttömäärät kasvavat. Erityisesti palveluiden sisällönhallinnan rooli kasvaa ja palveluiden laadusta tulee merkittävä kilpailutekijä. Kokonaisvaltaisen palvelunhallinnan on pystyttävä vastaamaan joustavasti palveluntarjoajien uusiin tarpeisiin, jolloin sen on kehityttävä samaan suuntaan kuin palvelunhallinnan perinteisen telemaailman puolella. Palvelunhallinnan on tuettava kaikkia OSS -järjestelmien (Operating Support System) osa-alueita, jolloin sen laajamittaiseen toteuttamiseen tarvitaan siihen liittyvien erilaisten hallintarajapintojen standardointia. Palvelunhallintajärjestelmät on toteutettava mahdollisimman joustaviksi, jotta niiden piiriin saadaan uusien komponenttien lisäksi jo olemassa olevat komponentit. Mahdollinen palvelunhallinnan toteutustapa voi olla Javan ja CORBA:n (Common Object Request Broker Architecture) yhteiskäyttö, sillä ne takaavat järjestelmään tarvittavan joustavuuden muuttuvissa olosuhteissa kuten Internetissä.

ASTRAL-R score predicts non-recanalisation after intravenous thrombolysis in acute ischaemic stroke.

Intravenous thrombolysis (IVT) as treatment in acute ischaemic strokes may be insufficient to achieve recanalisation in certain patients. Predicting probability of non-recanalisation after IVT may have the potential to influence patient selection to more aggressive management strategies. We aimed at deriving and internally validating a predictive score for post-thrombolytic non-recanalisation, using clinical and radiological variables. In thrombolysis registries from four Swiss academic stroke centres (Lausanne, Bern, Basel and Geneva), patients were selected with large arterial occlusion on acute imaging and with repeated arterial assessment at 24 hours. Based on a logistic regression analysis, an integer-based score for each covariate of the fitted multivariate model was generated. Performance of integer-based predictive model was assessed by bootstrapping available data and cross validation (delete-d method). In 599 thrombolysed strokes, five variables were identified as independent predictors of absence of recanalisation: Acute glucose > 7 mmol/l (A), significant extracranial vessel STenosis (ST), decreased Range of visual fields (R), large Arterial occlusion (A) and decreased Level of consciousness (L). All variables were weighted 1, except for (L) which obtained 2 points based on β-coefficients on the logistic scale. ASTRAL-R scores 0, 3 and 6 corresponded to non-recanalisation probabilities of 18, 44 and 74 % respectively. Predictive ability showed AUC of 0.66 (95 %CI, 0.61-0.70) when using bootstrap and 0.66 (0.63-0.68) when using delete-d cross validation. In conclusion, the 5-item ASTRAL-R score moderately predicts non-recanalisation at 24 hours in thrombolysed ischaemic strokes. If its performance can be confirmed by external validation and its clinical usefulness can be proven, the score may influence patient selection for more aggressive revascularisation strategies in routine clinical practice.

External assessment of the Early Mortality Risk Score in patients with adenocarcinoma undergoing pancreaticoduodenectomy.

BACKGROUND: Pancreaticoduodenectomies (PD) still have a substantial mortality rate. Recently, different scores have been published to predict the mortality risk pre-operatively after PD. This retrospective study was designed to perform an external assessment of an Early Mortality Risk Score (EMRS). METHODS: From 2000 to 2012, all PD cases performed at our institution were documented. Only patients treated for pancreatic head adenocarcinomas were included. Survival time and EMRS (based on age, tumour size, tumour differentiation and comorbidities) were calculated for every patient. Relative risks (RR) of early death 9 and 12 months after PD were then calculated. RESULTS: Of 270 PD for various aetiologies, 120 PD for adenocarcinomas were included. The median follow-up was 37 months, and the overall median survival was 19 months. EMRS of 4 showed a mortality RR of 5.1 at 9 months (P = 0.048) and of 4.5 at 12 months (P = 0.020). CONCLUSIONS: EMRS of 4 is a predictor of tumour-related mortality at 9 and 12 months after PD for adenocarcinoma. The EMRS was externally assessed in our patient cohort and can be implemented in clinical practice. Clinical implications of this score still need to be studied.