Thẩm định đa trung tâm cho thấy MySurgeryRisk dự đoán chính xác biến chứng hậu phẫu nặng và tử vong nội viện ở nhiều bệnh viện khác nhau

Tiêu đề

Thẩm định đa trung tâm cho thấy MySurgeryRisk có thể dự đoán chính xác biến chứng hậu phẫu nặng và tử vong nội viện tại nhiều bệnh viện khác nhau

Điểm nổi bật

Trong một đoàn hệ hồi cứu đa trung tâm gồm 14 cơ sở thuộc mạng lưới OneFlorida+, các mô hình dựa trên MySurgeryRisk đạt khả năng phân biệt rất tốt đối với nhiều biến cục hậu phẫu có ý nghĩa lâm sàng, với giá trị AUROC lần lượt là 0,93 đối với nhập ICU, 0,94 đối với thông khí cơ học sau phẫu thuật, 0,92 đối với tổn thương thận cấp, và 0,95 đối với tử vong nội viện.

Nghiên cứu bao gồm 508.097 ca phẫu thuật nội trú lớn ở 366.875 người trưởng thành trong giai đoạn 2012–2023, cung cấp một trong những lần thẩm định bên ngoài quy mô lớn nhất đối với khung MySurgeryRisk cho đến nay.

Hiệu năng dự đoán vẫn tương đương với các mô hình MySurgeryRisk đơn trung tâm đã công bố trước đó, qua đó ủng hộ khả năng chuyển giao của chiến lược trích xuất đặc trưng và mô hình hóa sang các bối cảnh hệ thống y tế rộng hơn.

Mã thủ thuật chính và các yếu tố đặc thù của bác sĩ lâm sàng là một trong những biến dự báo có ảnh hưởng nhất, nhấn mạnh rằng nguy cơ hậu phẫu không chỉ phản ánh sinh lý người bệnh và gánh nặng bệnh kèm, mà còn phản ánh độ phức tạp của thủ thuật và các biến số của bối cảnh chăm sóc.

Bối cảnh

Biến chứng hậu phẫu vẫn là một nguồn lớn gây bệnh suất, tử vong, kéo dài thời gian nằm viện và chi phí chăm sóc sức khỏe, mặc dù kỹ thuật phẫu thuật, gây mê, theo dõi chu phẫu và các quy trình phục hồi tăng cường đã có nhiều tiến bộ. Ngay cả trong thực hành hiện nay, các biến chứng nghiêm trọng như nhập đơn vị chăm sóc tích cực (ICU) ngoài dự kiến, thông khí cơ học kéo dài sau phẫu thuật, tổn thương thận cấp và tử vong vẫn tiếp tục ảnh hưởng đến một tỷ lệ đáng kể người bệnh trải qua phẫu thuật nội trú lớn.

Vì vậy, phân tầng nguy cơ trước phẫu thuật là một nội dung trung tâm của y học chu phẫu. Ước tính chính xác có thể hỗ trợ ra quyết định chung, phân luồng đến mức theo dõi có cường độ cao hơn, chuẩn bị trước phẫu thuật, tối ưu hóa các yếu tố nguy cơ có thể điều chỉnh, và lập kế hoạch nguồn lực sau phẫu thuật. Tuy nhiên, các công cụ đánh giá nguy cơ truyền thống thường có những hạn chế quan trọng. Nhiều công cụ dựa trên một số biến được nhập thủ công có giới hạn, chỉ tập trung vào một số thủ thuật hoặc hệ cơ quan nhất định, hoặc được xây dựng trên các quần thể hẹp nên khó khái quát sang các bệnh viện khác. Ngoài ra, mật độ ngày càng tăng của dữ liệu hồ sơ sức khỏe điện tử được thu thập thường quy tạo cơ hội cho các phương pháp máy học khai thác các tương tác phi tuyến và những tín hiệu lâm sàng tiềm ẩn mà mô hình thông thường khó biểu diễn.

Khung MySurgeryRisk trước đây đã được phát triển và thẩm định tiền cứu tại một trung tâm để dự đoán biến chứng hậu phẫu bằng dữ liệu hồ sơ sức khỏe điện tử chu phẫu. Câu hỏi then chốt của nghiên cứu hiện tại là liệu khung này có duy trì hiệu năng khi được mở rộng trên một mạng lưới đa trung tâm lớn và dị biệt hay không. Đây là một bước chuyển giao rất quan trọng đối với bất kỳ công cụ trí tuệ nhân tạo nào được định hướng sử dụng thực tế trong chu phẫu.

Thiết kế nghiên cứu

Thiết kế và bối cảnh

Ren và cộng sự đã thực hiện một nghiên cứu đoàn hệ đa trung tâm, hồi cứu và theo dõi dọc, sử dụng dữ liệu từ mạng lưới OneFlorida+. Phân tích bao gồm 14 cơ sở chăm sóc sức khỏe và người bệnh trưởng thành nhập viện để thực hiện phẫu thuật nội trú lớn trong giai đoạn 2012–2023.

Quần thể nghiên cứu

Đoàn hệ cuối cùng gồm 508.097 lượt khám từ 366.875 người bệnh trưởng thành. Tuổi trung bình là 59 tuổi, độ lệch chuẩn 18 tuổi. Nữ giới chiếm 190.799 người, tương đương 52%, và nam giới 176.076 người, tương đương 48%. Quy mô và tính đa dạng của đoàn hệ là những điểm mạnh đáng chú ý, đặc biệt khi đánh giá khả năng chuyển giao giữa nhiều cơ sở có quy trình làm việc, cơ cấu ca bệnh và kiểu ghi chép khác nhau.

Chiến lược phát triển và thẩm định

Nhóm nghiên cứu chia dữ liệu theo thời gian thành bộ phát triển từ năm 2012 đến 2020, gồm 358.216 lượt khám, và bộ thẩm định từ năm 2020 đến 2023, gồm 149.881 lượt khám. Cách tiếp cận này thường ưu việt hơn so với chia ngẫu nhiên trong nhiều ứng dụng dự đoán lâm sàng vì mô phỏng tốt hơn việc triển khai tiền cứu ở các bệnh nhân tương lai.

Bằng cách sử dụng các phương pháp chọn biến và biến đổi đã được thẩm định trước đó trong khung MySurgeryRisk, các tác giả đã huấn luyện mô hình eXtreme Gradient Boosting để dự đoán bốn kết cục hậu phẫu: nhập ICU, thông khí cơ học sau phẫu thuật, tổn thương thận cấp sau phẫu thuật, và tử vong nội viện.

Kết cục

Chỉ số hiệu năng chính là diện tích dưới đường cong ROC, hay AUROC, một thước đo khả năng phân biệt: mức độ mà mô hình gán nguy cơ cao hơn cho những người bệnh sẽ xuất hiện kết cục so với những người không xuất hiện kết cục đó. Các kết cục được chọn đều có ý nghĩa lâm sàng vì mỗi kết cục đều liên quan đến tăng sử dụng nguồn lực, tổn hại cho người bệnh và các biến chứng tiếp theo.

Kết quả chính

Tỷ lệ biến cố

Tỷ lệ các biến cố hậu phẫu trong toàn bộ đoàn hệ là 8% đối với nhập ICU, tương ứng 42.302 lượt khám; 4% đối với thông khí cơ học sau phẫu thuật, tương ứng 20.435 lượt khám; 7% đối với tổn thương thận cấp, tương ứng 36.027 lượt khám; và 1% đối với tử vong nội viện, tương ứng 5.131 lượt khám. Các tần suất này phản ánh cả tầm quan trọng lâm sàng lẫn thách thức thống kê khi xây dựng mô hình cho các kết cục có mức mất cân bằng lớp khác nhau, đặc biệt là tử vong.

Hiệu năng phân biệt

Các mô hình cho thấy khả năng phân biệt mạnh trên cả bốn điểm cuối trong bộ dữ liệu thẩm định. AUROC đối với nhập ICU là 0,93 với khoảng tin cậy 95% là 0,93 đến 0,93. AUROC đối với thông khí cơ học sau phẫu thuật là 0,94 với khoảng tin cậy 95% là 0,94 đến 0,94. AUROC đối với tổn thương thận cấp sau phẫu thuật là 0,92 với khoảng tin cậy 95% là 0,92 đến 0,92. AUROC đối với tử vong nội viện là 0,95 với khoảng tin cậy 95% là 0,94 đến 0,95.

Đây là các giá trị hiệu năng cao theo tiêu chuẩn dự đoán chu phẫu và cho thấy mức độ tách biệt rất tốt giữa những người bệnh có và không có các biến chứng này. Đáng chú ý, dự đoán tử vong vẫn duy trì khả năng phân biệt rất mạnh dù tỷ lệ biến cố tương đối thấp chỉ 1%, vốn thường là bối cảnh mà các mô hình dự đoán gặp khó khăn.

Khả năng khái quát

Một luận điểm trung tâm của bài báo là hiệu năng dự đoán tương đương với các mô hình MySurgeryRisk đơn trung tâm đã được thẩm định trước đó. Điều này có ý nghĩa vì nhiều hệ thống máy học suy giảm hiệu năng khi được đưa ra ngoài môi trường mà chúng được xây dựng. Khác biệt về mã hóa, báo cáo xét nghiệm, cơ cấu ca bệnh, quy trình chu phẫu và mô thức thực hành của cơ sở đều có thể làm giảm giá trị ngoại suy. Do đó, nghiên cứu này ủng hộ giả thuyết rằng khung MySurgeryRisk có thể khái quát hóa trên một mạng lưới rộng mà không mất đáng kể khả năng phân biệt.

Mặc dù phần tóm tắt nhấn mạnh AUROC, cần diễn giải khả năng khái quát theo nghĩa rộng hơn. Khả năng chuyển giao không chỉ là bảo toàn các chỉ số hiệu năng nổi bật, mà còn là liệu các biến dự báo có ý nghĩa lâm sàng hợp lý hay không và liệu mô hình có thể vận hành ở các cơ sở có mức độ thiếu dữ liệu và quy trình làm việc khác nhau hay không. Theo nghĩa đó, việc các biến thường quy có thể hỗ trợ dự đoán vững chắc trên 14 cơ sở là một tín hiệu đáng khích lệ.

Các biến dự báo có ảnh hưởng nhất

Mã thủ thuật chính và các yếu tố đặc thù của bác sĩ lâm sàng nổi lên nhất quán như những biến có ảnh hưởng lớn nhất. Đây là một phát hiện quan trọng và phần nào gợi nhiều tranh luận. Nó cho thấy nguy cơ hậu phẫu chịu ảnh hưởng sâu sắc bởi loại phẫu thuật được thực hiện và bởi các đặc điểm bối cảnh liên quan đến cung cấp chăm sóc. Mã thủ thuật có thể đóng vai trò như một chỉ dấu mạnh cho mức độ lớn của phẫu thuật, vị trí giải phẫu, tính cấp cứu, nguy cơ mất máu và diễn tiến hậu phẫu dự kiến. Các yếu tố đặc thù của bác sĩ lâm sàng có thể phản ánh kinh nghiệm phẫu thuật viên, mô thức thực hành theo chuyên khoa, hiệu quả của ê-kíp, lựa chọn người bệnh và các quy trình cấp cơ sở.

Đồng thời, các biến này đặt ra những câu hỏi quan trọng về triển khai. Những biến dự báo mã hóa hiệu ứng của bác sĩ lâm sàng hoặc cơ sở có thể cải thiện độ chính xác, nhưng cũng có thể tích hợp các biến thiên thực hành lịch sử, bất công mang tính cấu trúc hoặc các đặc điểm dị biệt của địa phương. Khi triển khai vận hành, các hệ thống y tế sẽ cần cân bằng giữa hiệu năng dự đoán với tính công bằng, khả năng diễn giải, và khả năng đầu ra của mô hình thay đổi nếu mô hình nhân sự hoặc mô thức chuyển tuyến thay đổi theo thời gian.

Diễn giải lâm sàng cho từng điểm cuối

Dự đoán nhập ICU có thể giúp bệnh viện dự kiến nhu cầu giường bệnh và xác định những người bệnh cần giám sát hậu phẫu chặt chẽ hơn. Tuy nhiên, nhập ICU một phần là quyết định lâm sàng và có thể phản ánh chuẩn mực thực hành tại địa phương không kém gì sinh lý người bệnh. Vì vậy, mô hình dự đoán sử dụng ICU có thể đồng thời nắm bắt cả mức độ nặng thực sự và ngưỡng chuyển tuyến tại từng cơ sở.

Dự đoán thông khí cơ học sau phẫu thuật đặc biệt có liên quan ở người bệnh trải qua phẫu thuật bụng nguy cơ cao, phẫu thuật lồng ngực, mạch máu hoặc phẫu thuật cấp cứu, và có thể hỗ trợ thảo luận về chăm sóc tích cực dự kiến sau phẫu thuật, khả năng sẵn sàng rút nội khí quản, và tối ưu hóa hô hấp.

Dự đoán tổn thương thận cấp đặc biệt có giá trị vì AKI thường gặp, thường không được nhận diện sớm đầy đủ, và có liên quan đến bệnh thận mạn, thời gian nằm viện dài hơn và tử vong cao hơn. Ước tính nguy cơ AKI chu phẫu đáng tin cậy có thể định hướng chiến lược dịch truyền, tránh thuốc độc thận, theo dõi huyết động sát hơn và giám sát xét nghiệm.

Dự đoán tử vong nội viện có lẽ là đầu ra dễ được chú ý nhất, nhưng cần sử dụng hết sức thận trọng. Các mô hình tử vong có thể hỗ trợ giải thích tiên lượng và phân luồng, nhưng nên bổ trợ chứ không thay thế phán đoán lâm sàng, đặc biệt khi các quyết định liên quan đến mục tiêu chăm sóc hoặc giới hạn điều trị.

Bình luận của chuyên gia

Nghiên cứu này là một bước tiến đáng kể trong trí tuệ nhân tạo chu phẫu vì đã vượt qua giai đoạn chứng minh khái niệm để tiến tới thẩm định đa trung tâm ở quy mô lớn. Có nhiều điểm làm tăng tính liên quan lâm sàng. Thứ nhất, đoàn hệ lớn và đa dạng. Thứ hai, chia thẩm định theo thời gian mô phỏng triển khai tiền cứu trong thực hành tốt hơn so với phân chia ngẫu nhiên. Thứ ba, các kết cục mang tính thực tiễn và có hệ quả lâm sàng rõ rệt chứ không phải các điểm cuối gộp trừu tượng.

Các kết quả cũng phù hợp với một thân bằng chứng rộng hơn cho thấy nguy cơ chu phẫu là một cấu trúc đa chiều, được hình thành bởi yếu tố người bệnh, nguy cơ liên quan đến thủ thuật, stress trong mổ và bối cảnh ở cấp hệ thống. Các phương pháp máy học đặc biệt phù hợp với nhiệm vụ này vì có thể mô hình hóa tính phi tuyến và tương tác giữa các miền dữ liệu đó. Việc sử dụng eXtreme Gradient Boosting cũng phù hợp với các nghiên cứu dự đoán lâm sàng trên dữ liệu có cấu trúc có hiệu năng cao khác.

Dẫu vậy, một số lưu ý vẫn cần được xem xét. AUROC đơn thuần là chưa đủ để đánh giá mức sẵn sàng triển khai lâm sàng. Hiệu chỉnh, tức mức độ gần đúng giữa xác suất dự đoán và kết cục quan sát được, là yếu tố then chốt khi các ước tính nguy cơ được dùng cho tư vấn hoặc quyết định dựa trên ngưỡng. Phần tóm tắt không báo cáo các chỉ số hiệu chỉnh, phân tích đường cong quyết định, hiệu năng theo phân nhóm, hoặc dị biệt giữa các cơ sở. Một mô hình có thể phân biệt tốt nhưng vẫn ước tính quá cao hoặc quá thấp nguy cơ tuyệt đối ở các nhóm người bệnh quan trọng.

Một vấn đề khác là định nghĩa kết cục. Nhập ICU và thông khí cơ học sau phẫu thuật có thể phản ánh một phần quy trình làm việc và mức sẵn có nguồn lực của cơ sở hơn là chỉ riêng sự xấu đi về mặt sinh học. Điều này không làm mất giá trị của chúng, nhưng có nghĩa rằng đây là các kết cục lai, chịu ảnh hưởng đồng thời bởi nhu cầu người bệnh và thực hành vận hành. Nếu các bệnh viện khác nhau về ngưỡng phân luồng ICU hoặc quy trình rút nội khí quản, một phần hiệu năng của mô hình có thể đến từ việc học các mô thức sử dụng nguồn lực tại địa phương.

Sự nổi bật của các yếu tố đặc thù của bác sĩ lâm sàng cũng đòi hỏi quản trị thận trọng. Các biến này có thể rất hữu ích về mặt dự đoán, nhưng việc sử dụng chúng trong thuật toán triển khai có thể làm dấy lên quan ngại về công bằng, tính minh bạch và hệ quả danh tiếng ngoài ý muốn. Nếu mô hình quy kết nguy cơ cao hơn một phần do danh tính bác sĩ lâm sàng hoặc các tín hiệu liên quan, người dùng cuối cần hiểu đầu ra được dùng cho hỗ trợ quyết định ở cấp người bệnh, cải tiến chất lượng hay lập kế hoạch hệ thống. Trong một số bối cảnh, việc đưa các biến này vào có thể cải thiện dự đoán nhưng lại làm phức tạp tính chấp nhận về đạo đức.

Ngoài ra, thẩm định hồi cứu, dù đa trung tâm, vẫn không chứng minh được lợi ích lâm sàng. Bước tiếp theo mang tính quyết định sẽ là các nghiên cứu triển khai tiền cứu nhằm trả lời liệu việc sử dụng MySurgeryRisk có thay đổi hành vi của bác sĩ, cải thiện phân bổ nguồn lực, giảm biến chứng, hay hỗ trợ ra quyết định chung có thông tin tốt hơn hay không. Cũng cần đánh giá sự trôi lệch hiệu năng theo thời gian và giữa các phân nhóm theo tuổi, giới, chủng tộc và sắc tộc, gánh nặng bệnh kèm, chuyên khoa phẫu thuật, mức độ cấp bách và loại hình bệnh viện.

Cuối cùng, khả năng diễn giải vẫn là yếu tố trung tâm. Các tác giả đã xác định những biến có ảnh hưởng lớn, điều này hữu ích, nhưng triển khai vận hành có lẽ sẽ cần các giải thích hướng tới người dùng để bác sĩ có thể hành động được. Các thang điểm nguy cơ hữu ích nhất khi được gắn với các đường chăm sóc cụ thể như gói dự phòng AKI, kế hoạch hỗ trợ hô hấp hoặc quy trình theo dõi sau phẫu thuật.

Hàm ý lâm sàng và hệ thống y tế

Nếu được tích hợp một cách thận trọng, một công cụ như MySurgeryRisk có thể hỗ trợ nhiều quy trình chu phẫu. Trước phẫu thuật, nó có thể tăng cường trao đổi nguy cơ, đặc biệt đối với các thủ thuật nội trú phức tạp. Trong quá trình lập kế hoạch chăm sóc, nó có thể giúp xác định điểm đến sau phẫu thuật, nhu cầu nguồn lực mức ICU, hoặc cường độ theo dõi thận và hô hấp. Ở cấp hệ thống y tế, nó có thể hỗ trợ quản lý giường bệnh và dự báo nhu cầu nguồn lực sau phẫu thuật.

Tuy nhiên, tích hợp lâm sàng không nên bị giản lược thành việc hiển thị một con số xác suất trong hồ sơ sức khỏe điện tử. Triển khai có giá trị cao thường đòi hỏi kết hợp dự đoán với hành động. Ví dụ, đầu ra nguy cơ AKI cao có thể kích hoạt một checklist bảo vệ thận. Nguy cơ thông khí dự đoán tăng có thể thúc đẩy tối ưu hóa phổi trước mổ hoặc chỉ định hội chẩn chăm sóc tích cực sau phẫu thuật. Ước tính nguy cơ tử vong có thể hữu ích nhất khi được lồng trong các khung ra quyết định chung rộng hơn, bao gồm mục tiêu của người bệnh và chất lượng hồi phục dự kiến.

Nghiên cứu cũng củng cố quan điểm rằng khả năng di động của mô hình là khả thi khi dữ liệu huấn luyện lớn, dị hợp và dựa trên thông tin được thu thập thường quy. Điều này rất quan trọng đối với các hệ thống y tế đang tìm kiếm giải pháp AI có khả năng mở rộng thay vì các công cụ ngách đòi hỏi thu thập dữ liệu chuyên biệt. Tuy vậy, thẩm định tại địa phương vẫn là bắt buộc trước khi áp dụng ở bất kỳ môi trường mới nào.

Hạn chế

Có thể suy ra một số hạn chế từ thiết kế nghiên cứu và phần tóm tắt. Tính hồi cứu của phân tích có nghĩa là nhiễu chưa được đo lường, khác biệt mã hóa và các vấn đề chất lượng dữ liệu vẫn có thể tồn tại. Phần tóm tắt không nêu chi tiết cách xử lý dữ liệu thiếu, các thống kê hiệu chỉnh hay phân tích phân nhóm. Cũng không làm rõ liệu phân cụm theo bệnh viện hoặc dị biệt giữa các cơ sở có ảnh hưởng đáng kể đến hiệu năng hay không.

Bản thân các kết cục cũng có mức độ khách quan khác nhau. Tử vong nội viện và AKI được xác định bằng xét nghiệm thường đáng tin cậy hơn nhập ICU, vốn có thể bị ảnh hưởng bởi phong cách thực hành. Hơn nữa, việc dùng các biến dự báo đặc thù của bác sĩ lâm sàng có thể cải thiện dự đoán nhưng đồng thời làm giảm khả năng diễn giải và làm nảy sinh quan ngại về sai lệch. Cuối cùng, vì thẩm định được thực hiện trong một mạng lưới dữ liệu khu vực duy nhất, việc thẩm định ngoại suy rộng hơn ở các bang, hệ thống y tế và quốc gia khác vẫn sẽ có giá trị.

Kết luận

Nghiên cứu đa trung tâm của Ren và cộng sự cung cấp bằng chứng mạnh mẽ rằng khung MySurgeryRisk có thể duy trì khả năng phân biệt cao đối với các biến chứng hậu phẫu nặng và tử vong nội viện khi áp dụng trên một mạng lưới chăm sóc sức khỏe lớn và đa dạng. Trong hơn 508.000 ca phẫu thuật nội trú lớn, các mô hình đã dự đoán nhập ICU, thông khí cơ học sau phẫu thuật, tổn thương thận cấp và tử vong với các giá trị AUROC dao động từ 0,92 đến 0,95. Những phát hiện này ủng hộ khả năng khái quát rộng hơn của khung mô hình và nhấn mạnh tầm quan trọng dự đoán của loại thủ thuật cũng như các yếu tố liên quan đến bác sĩ lâm sàng.

Đối với bác sĩ lâm sàng và hệ thống y tế, nghiên cứu này nên được xem là một cột mốc thẩm định quan trọng hơn là bước cuối cùng hướng tới sử dụng thường quy. Các ưu tiên tiếp theo là triển khai tiền cứu, đánh giá hiệu chỉnh, phân tích công bằng theo phân nhóm, và đánh giá xem các can thiệp dựa trên nguy cơ có thực sự cải thiện kết cục hay không. Dù vậy, công trình này đã thúc đẩy đáng kể lĩnh vực AI chu phẫu và cho thấy dữ liệu hồ sơ sức khỏe điện tử được thu thập thường quy có thể hỗ trợ dự đoán nguy cơ phẫu thuật có khả năng mở rộng và có ý nghĩa lâm sàng.

Kinh phí và ClinicalTrials.gov

Phần tóm tắt được cung cấp không báo cáo số đăng ký ClinicalTrials.gov, điều này là phù hợp với thiết kế quan sát hồi cứu. Chi tiết cụ thể về nguồn tài trợ không được nêu trong bản tóm tắt được cung cấp và cần được xác nhận từ bài báo đầy đủ trên JAMA Surgery trước khi sử dụng cho mục đích công bố chính thức.

Tài liệu tham khảo

1. Ren Y, Adiyeke E, Guan Z, Hu Z, Loftus TJ, Shickel B, Rashidi P, Ozrazgat-Baslanti T, Bihorac A. MySurgeryRisk Model Predictions of Postoperative Complications and Mortality. JAMA Surgery. 2026;161(6):619-627. PMID: 42054034.

2. American College of Surgeons National Surgical Quality Improvement Program. User Guide for the ACS NSQIP Surgical Risk Calculator. American College of Surgeons. Accessed for context on established surgical risk prediction tools.

3. Bihorac A, Ozrazgat-Baslanti T, Ebadi A, et al. MySurgeryRisk: Development and validation of a machine-learning risk algorithm for major complications and death after surgery. This foundational work established the original framework; readers should verify the exact bibliographic details from PubMed or the journal archive when citing.