Predicting Hospitalization from a Whole-Person Health Score with Incomplete Electronic Health Records Data: A Case Study

Het Grote Plaatje: Een "Gezondheidsrapportcijfer" met Ontbrekende Cijfers

Stel je voor dat je een student één enkel "Gezondheidsrapportcijfer" wilt geven op basis van tien verschillende vakken (zoals Wiskunde, Geschiedenis, Biologie, etc.). Dit cijfer, de Allostatic Load Index (ALI) genoemd, vertelt je hoeveel stress het lichaam van de student ervaart.

• Het Doel: Als het cijfer hoog is (veel "onvoldoendes"), loopt de student het risico ziek te worden of naar het ziekenhuis te moeten.
• Het Probleem: In een echte klas heb je niet altijd cijfers voor alle vakken. Misschien heeft de student de toets voor Biologie overgeslagen, of is het werkstuk van Geschiedenis kwijtgeraakt door de docent. In de echte wereld (Elektronische Patiëntendossiers) bestellen artsen niet voor elke patiënt elke mogelijke bloedtest. Sommige gegevens ontbreken.

De onderzoekers vroegen zich af: Hoe berekenen we dit "Gezondheidsrapportcijfer" nauwkeurigig wanneer sommige cijfers ontbreken, en kunnen we het gebruiken om te voorspellen wie er in het ziekenhuis terechtkomt?

Het Experiment: 1.000 Studenten en een Ontbrekende Puzzel

Het team keek naar gegevens van 1.000 patiënten in een ziekenhuis in North Carolina. Ze hadden tien specifieke gezondheidsmarkers (zoals bloeddruk, cholesterol en bloedsuikerspiegel) die de ALI-score vormen.

• De Realiteit: Sommige markers waren makkelijk te vinden (zoals bloeddruk, die bij bijna elk bezoek wordt gemeten). Andere waren heel moeilijk te vinden (zoals specifieke bloedtests die alleen worden aangevraagd als een arts een probleem vermoedt).
• De Uitdaging: Als je de ontbrekende tests simpelweg negeert, kun je per ongeluk denken dat een patiënt gezond is terwijl dat niet zo is. Als je gokt dat de ontbrekende tests "slecht" zijn, kun je denken dat iemand zieker is dan hij in werkelijkheid is.

De Strategieën: Hoe om te gaan met de Ontbrekende Cijfers

De onderzoekers probeerden verschillende manieren uit om de gaten in te vullen of eromheen te werken, waarbij ze deze testten als verschillende strategieën in een spel:

1. De "Proportie"-methode (Het Gedeeltelijke Rapportcijfer):
   In plaats van ontbrekende tests als "goed" of "slecht" te tellen, berekenden ze simpelweg het percentage van de beschikbare tests dat ongezond was.

   • Analogie: Als een student 5 van de 10 toetsen heeft gemaakt en er 2 heeft gefaald, dan is zijn score 40% falen, en niet 20% (wat het zou zijn als je de 5 ontbrekende toetsen als geslaagd had geteld).

2. Het "Best/Worst Case" Gokken:

   • Best Case: Ga ervan uit dat alle ontbrekende tests gezond waren. (Optimistisch)
   • Worst Case: Ga ervan uit dat alle ontbrekende tests ongezond waren. (Pessimistisch)
   • Analogie: Zoals het raden van het eindcijfer van een student door aan te nemen dat hij alle toetsen die hij heeft gemist heeft gehaald, of ze allemaal heeft gefaald.

3. De "Ontbreken als Categorie"-methode:
   In plaats van te gokken, behandelden ze "het missen van een test" als een unieke categorie op zich.

   • Analogie: In plaats van te zeggen "Student A is gezakt voor Wiskunde," zeg je "Student A heeft de status 'Wiskunde ontbreekt'."

4. De "Patroon Submodellen"-methode (De Maatwerk Groepen):
   Dit was de meest complexe strategie. Ze merkten op dat patiënten vaak de zelfde combinatie van tests missen (bijvoorbeeld: als je de Homocysteïne-test mist, heb je waarschijnlijk ook de C-Reactief Proteïne-test gemist). Ze groepeerden patiënten op basis van deze specifieke "ontbrekende patronen" en bouwden voor elke groep een klein, op maat gemaakt voorspellingsmodel.

   • Analogie: In plaats van één docent die de hele klas beoordeelt, heb je een andere docent voor elke groep studenten die dezelfde specifies tests hebben gemist.

De Resultaten: Wat Werkte het Beste?

De onderzoekers testten deze strategieën om te zien welke het beste voorspelde wie er in het ziekenhuis terecht zou komen.

• Simpele Rekensom Versloeg Geavanceerde AI: Verrassend genoeg werkte een basis statistisch hulpmiddel genaamd Logistische Regressie (zoals een standaard rekenmachine) beter dan Random Forest (een complexe, hoogtechnologische AI die veel beslissingsbomen bouwt).

  • Waarom? De gegevens waren al vereenvoudigd naar "Gezond" of "Ongezond" (ja/nee). Er was niet genoeg complexe, niet-lineaire data voor de fancy AI om verborgen patronen te vinden. Het was alsof je een supercomputer gebruikt om een simpele optelsom op te lossen; de rekenmachine was net zo goed en sneller.

• De verrassing van "Aantal" versus "Ja/Nee": Ze probeerden het exacte aantal ziekenhuisbezoeken te voorspellen (0, 1, 2, enz.), maar dat werkte niet beter dan simpelweg voorspellen: "Gaat deze persoon naar het ziekenhuis? Ja of Nee?"

  • Les: Het is makkelijker om te voorspellen of iemand in het ziekenhuis terechtkomt dan hoe vaak diegene daar zal zijn.

• De "Samenvattende Score" versus "Individuele Onderdelen":

  • Samenvattende Scores: Wanneer ze de tien markers combineerden tot één enkel getal (de ALI-score), presteerden alle verschillende manieren om met ontbrekende gegevens om te gaan bijna hetzelfde. De "Proportie"-methode was de beste, maar slechts marginaal.
  • Individuele Onderdelen: Wanneer ze naar elke marker afzonderlijk keken, presteerden de Patroon Submodellen (de maatwerk groepen) het best op de specifieke data die ze hadden (AUC = 0,73).
  • De Kanttekening: Toen ze deze maatwerkmodellen testten op nieuwe data (cross-validatie), hielden ze niet zo goed stand (AUC daalde naar 0,63). Het is als een student die de antwoorden van een specifieke oefentoets heeft uit het hoofd geleerd, maar moeite krijgt wanneer de vragen iets veranderen.

De Conclusie

Het artikel concludeert dat:

1. Ontbrekende gegevens zijn lastig: Je kunt ze niet zomaar negeren of willekeurig invullen.
2. Houd het simpel: Voor dit specifieke type gezondheidsgegevens werkte een simpel statistisch model beter dan complexe machine learning.
3. De "Patroon"-aanpak is veelbelovend maar heeft meer oefening nodig: Het groeperen van patiënten op basis van hun specifieke patronen van ontbrekende gegevens gaf de beste resultaten in de test, maar het heeft meer data nodig om te bewijzen dat het betrouwbaar werkt in de echte wereld.

De Kern van het Verhaal: De onderzoekers hebben succesvol aangetoond hoe je een "Gezondheidsscore voor de hele persoon" kunt opstellen, zelfs wanneer de gegevens incompleet zijn. Ze ontdekten dat hoewel complexe methoden er op papier goed uitzien, eenvoudige, op maat gemaakte benaderingen vaak het beste werken voor het voorspellen van ziekenhuisbezoeken in deze specifieke context. De volgende stap die ze noemen, is simpelweg het implementeren van dit systeem in echte ziekenhuisdossiers om artsen te helpen bij het nemen van beslissingen.