AI for pRedicting Exacerbations in KIDs with aSthma (AIRE-KIDS)
De AIRE-KIDS-studie heeft een machine learning-model ontwikkeld en gevalideerd met behulp van elektronische medische dossiers, omgevingsgegevens en buurtinformatie om ernstige astma-exacerbaties bij kinderen nauwkeurig te voorspellen, waarbij een superieure prestatie werd aangetoond ten opzichte van huidige beslisregels door een AUC van 0,712 en een F1-score van 0,51 te behalen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Astma is een veelvoorkomende aandoening bij kinderen, waarbij de luchtwegen vernauwen en het moeilijk wordt om adem te halen. Hoewel veel kinderen hun symptomen goed thuis kunnen beheersen, ervaren sommigen ernstige aanvallen die een bezoek aan de spoedeisende hulp vereisen. Zelfs na behandeling keert een aanzienlijk aantal van deze kinderen binnen een jaar terug voor een andere ernstige episode. Deze cyclus is niet alleen een persoonlijke tegenslag voor gezinnen; het legt ook een zware druk op ziekenhuizen en het zorgsysteem. De uitdaging voor artsen is dat zij niet elke jongere die de spoedeisende hulp bezoekt, intensieve, gespecialiseerde educatie en zorg kunnen bieden, omdat er simpelweg niet genoeg middelen zijn. In plaats daarvan hebben medische teams een manier nodig om de specifieke kinderen te identificeren die het meest waarschijnlijk zullen terugkeren, zodat zij kunnen worden doorverwezen naar een uitgebreid zorgprogramma dat toekomstige crises helpt te voorkomen. Decennialang hebben artsen vertrouwd op eenvoudige checklists en hun eigen oordeel om deze beslissingen te nemen, maar deze methoden missen vaak de meest kwetsbare patiënten of signaleren juist diegenen die geen extra hulp nodig hebben.
In een recente studie aan het Children's Hospital of Eastern Ontario zetten onderzoekers zich in om een preciezer instrument te bouwen om dit probleem op te lossen. Ze wenden zich tot machine learning, een vorm van informatica waarbij software leert patronen te herkennen in enorme hoeveelheden gegevens. Het team verzamelde gegevens uit de dossiers van bijna 3.000 kinderen die tussen 2017 en 2019 de spoedeisende hulp bezochten vanwege astma. Deze dossiers bevatten details over de medische geschiedenis van de kinderen, zoals eerdere bezoeken, hun leeftijd en of ze andere allergieën hadden, zoals voedselovergevoeligheid. De gegevens legden ook de ernst van hun huidige aanval vast, hoe lang ze moesten wachten om een arts te zien, en zelfs omgevingsfactoren zoals de luchtkwaliteit in hun buurt. De onderzoekers wilden zien of een computer al deze verschillende stukjes informatie kon combineren en kon voorspellen welke kinderen binnen het volgende jaar terug zouden keren naar het ziekenhuis.
Om hun idee te testen, trainden het team verschillende soorten computermodellen. Ze omvatten drie nieuwere benaderingen gebaseerd op large language models, wat de soort krachtige kunstmatige intelligentiesystemen zijn die vaak worden gebruikt om tekst te schrijven of complexe vragen te beantwoorden. Ze testten ook traditionele boomstructuurmodellen (tree-based models), die werken door een reeks ja-of-nee-beslissingen te nemen op basis van de gegevens, vergelijkbaar met hoe een arts verschillende symptomen kan afwegen. De onderzoekers verdeelden hun gegevens in twee groepen: één groep om de modellen te onderwijzen, en een tweede, aparte groep om te testen hoe goed de modellen presteerden op nieuwe, onbekende patiënten. Ze vergeleken de voorspellingen van de computer met de huidige standaardregel van het ziekenhuis, die een melding geeft voor hoogrisicopatiënten op basis van een paar specifieke criteria, zoals een eerder bezoek en een hoge ernstscore bij de triage.
De resultaten toonden aan dat de traditionele boomstructuurmodellen veel superieur waren aan de nieuwere taalmodellen voor deze specifieke taak. Het best presterende model, dat de onderzoekers AIRE-KIDS noemden, identificeerde succesvol kinderen die een hoog risico liepen op een terugkeer naar de spoedeisende hulp of een ziekenhuisopname. Bij het testen op de groep kinderen uit 2022 en 2023 bleek dit model aanzienlijk nauwkeuriger dan de huidige regel van het ziekenhuis. Terwijl de bestaande regel ongeveer een derde van de kinderen die zouden terugkeren correct identificeerde, identificeerde het nieuwe model meer dan de helft. De computer leerde dat de sterkste aanwijzingen voor een toekomstige terugkeer niet alleen de huidige ernst van de aanval waren, maar ook de geschiedenis van eerdere bezoeken van het kind, de leeftijd, of het kind voedselallergieën had en hoe complex de algehele medische behoeften waren. Verrassend genoeg droegen omgevingsfactoren zoals luchtvervuiling, die de onderzoekers hoopten een belangrijke voorspeller te laten zijn, niet significant bij aan de nauwkeurigheid van het model en werden ze weggelaten uit de definitieve versie om het model eenvoudig en gemakkelijk in gebruik te houden.
De studie vond ook dat de nieuwere, complexere kunstmatige intelligentiesystemen, bekend als large language models, niet zo goed presteerden als de eenvoudigere, gespecialiseerde modellen. Ondanks de populariteit van deze geavanceerde systemen in andere vakgebieden, hadden ze moeite om de juiste patronen te vinden in deze specifieke medische gegevens. De onderzoekers concludeerden dat voor het voorspellen van astma-uitkomsten bij kinderen, een gefocust, interpreteerbaar model effectiever is dan een breed, algemeen doelgericht model. Het definitieve model maakt gebruik van een klein, beheersbaar pakket aan feiten die direct beschikbaar zijn in de elektronische dossiers van het ziekenhuis op het moment dat een kind binnenkomt. Dit betekent dat het hulpmiddel direct geïntegreerd kan worden in de workflow van de spoedeisende hulp, waardoor artsen worden gealarmeerd om de meest kwetsbare kinderen direct door te verwijzen naar gespecialiseerde zorg. Door dit te doen, hoopt het ziekenhuis de cyclus van herhaalde bezoeken te doorbreken, zodat de kinderen die de meeste hulp nodig hebben die ook krijgen, terwijl de beperkte middelen efficiënter worden ingezet.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.