Early identification of advanced chronicity (MACA) patients using Machine Learning models: a population-based predictive approach for proactive care stratification

Technische Samenvatting: Vroege Identificatie van MACA-patiënten met behulp van Machine Learning

Probleemstelling
De identificatie van patiënten met geavanceerde chronische aandoeningen (MACA) blijft een kritieke uitdaging in de klinische praktijk. Huidige strategieën vertrouwen vaak op retrospectieve criteria of klinisch oordeel (bijv. de NECPAL-tool, de Charlson Comorbidity Index), wat de tijdige, gepersonaliseerde interventie kan vertragen. Deze traditionele methoden kampen met beperkingen in de sensitiviteit voor vroege identificatie en hebben moeite om de multidimensionale, dynamische aard van gevorderde chronische ziekte te vatten, met name bij niet-oncologische populaties waar de prognostische onzekerheid hoog is. Hoewel Elektronische Gezondheids Dossiers (EHRs) een enorme datapotentieel bieden, is er een opvallende lacune in studies die specifiek gericht zijn op de vroege, proactieve detectie van MACA-patiënten in real-world, populatiegebaseerde settings met behulp van Machine Learning (ML).

Methodologie
Deze studie maakte gebruik van een retrospectief observationeel cohortontwerp bij het Hospital Universitario Parc Taulí (Sabadell, Spanje) om een op ML gebaseerd predictief model te ontwikkelen en intern te valideren.

• Databron & Populatie: De dataset bestond uit 163 patiënten (80 MACA, 83 niet-MACA) geëxtraheerd uit ziekenhuis-EHRs. Exclusiecriteria werden toegepast op de afdelingen Pediatrie, Obstetrie, Gynaecologie, Geestelijke Gezondheidszorg en Intensive Care om de klinische coherentie met de definitie van geavanceerde chronische ziekte te waarborgen.
• Feature Engineering: Aanvankelijk werden 173 variabelen over 24 klinische condities geïdentificeerd. Vanwege extractiebeperkingen werden 80 variabelen geselecteerd. Cruciaal was dat variabelen die reflecteren op eerdere betrokkenheid bij gespecialiseerde palliatieve zorg (Conditie 1) werden uitgesloten om circulaire afhankelijkheden te voorkomen en te garanderen dat het model voorheen niet herkende gevallen identificeert. Hiërarchische afhankelijkheden tussen gerelateerde condities (bijv. progressie van fragiliteit) werden expliciet geïntegreerd.
• Preprocessing: Ontbrekende waarden werden afgehandeld via gemiddelde imputatie (numeriek) of zero-assignment (categorisch). Categorische variabelen ondergingen one-hot encoding, en continue variabelen werden gestandaardiseerd.
• Feature Selectie: Drie strategieën (k-best, low variance, recursive feature elimination) reduceerden de dataset tot 10 kernpredictors.
• Modelontwikkeling: 14 gesuperviseerde classificatie-algoritmen werden geëvalueerd, inclusief lineaire modellen (Logistische Regressie, LDA, SVM), probabilistische methoden (Naïve Bayes) en ensemble-methoden (Bagging, Random Forest, XGBoost, LightGBM, CatBoost, AdaBoost).
• Validatiestrategie: Een dubbele validatiebenadering werd gebruikt: een 75/25 train-test split en een gestratificeerde 5-voudige Cross-Validation (CV). Gezien het doel van vroege detectie werd prioriteit gegeven aan sensitiviteit (recall) boven specificiteit om fout-negatieven te minimaliseren.

Belangrijkste Resultaten

• Feature Selectie: Het uiteindelijke model maakte gebruik van 10 predictors: absolute afhankelijkheid (COND8), ernstige afhankelijkheid/functionele achteruitgang (COND9), matige afhankelijkheid (COND10), gebruik van specifieke middelen (COND19), harde/medium geriatrische syndromen (COND22/23), identifier voor complexe chronische patiënten, ambulante palliatieve beoordeling, thuiszorginterventie en neuroleptica-voorschrift.
• Modelprestaties:
  • Bagging Classifier: Bereikte de meest consistente prestaties met een sensitiviteit van 0,91, precisie van 0,905, F1-score van 0,905 en een AUC-ROC van 0,902 op de testset.
  • Decision Tree: Presteerde identiek aan Bagging op de testset (Accuracy, Precision, Recall, F1-score allemaal op 90,5%; AUC 0,912).
  • Cross-Validation: De 5-voudige CV bevestigde de stabiliteit van het model. Bagging toonde superieure robuustheid met een gemiddelde F1-score van 0,919 en een gemiddelde AUC van 0,953, vergeleken met respectievelijk 0,891 en 0,893 voor de Decision Tree.
• Predictor Belang: De feature importance analyse op het Bagging-model identificeerde "absolute afhankelijkheid" (gewicht 0,318) en "gebruik van specifieke middelen" (gewicht 0,262) als de meest invloedrijke predictors.

Kernbijdragen

1. Proactief Detectiekader: De studie toont aan dat ML-modellen effectief MACA-patiënten kunnen identificeren met behulp van routinematige EHR-data, waarmee de verschuiving plaatsvindt van reactieve, door gebeurtenissen getriggerde identificatie naar proactieve screening.
2. Parsimonieus & Interpreteerbaar Model: Het onderzoek stelt vast dat een gereduceerde set van 10 klinisch interpreteerbare variabelen (met de focus op functionele achteruitgang, afhankelijkheid en resource-utilisatie) voldoende is voor een hoge discriminatieve prestatie, wat klinische integratie faciliteert.
3. Vermijden van Circulaire Logica: Door variabelen gerelateerd aan eerdere palliatieve zorgidentificatie uit te sluiten, is het model ontworig om niet-erkende gevallen te detecteren in plaats van simpelweg bestaande klinische beslissingen te reproduceren.
4. Robuuste Ensemble Prestaties: De studie valideert dat ensemble-methoden, specifelijk Bagging, een gunstige balans bieden tussen sensitiviteit en robuustheid voor deze specifieke klinische taak, waarbij ze eenvoudiger lineaire modellen overtreffen en een grotere stabiliteit vertonen in cross-validatie dan enkele Decision Trees.

Betekenis en Claims
Het artikel claimt dat de bevindingen de potentie benadrukken van ML-gebaseerde instrumenten voor de vroege detectie van gevorderde chronische ziekte, waarbij een hoge discriminatieve capaciteit (AUC > 0,90) wordt geboden die proactieve zorgstratificatie kan ondersteunen. De auteurs stellen dat het vermogen van het model om routinematig beschikbare data te gebruiken, gecombineerd met de interpreteerbaarheid van de predictors, het een levensvatbaar beslissingsondersteunend instrument maakt om de zorgverlening te verschuiven naar een efficiënter, patiëntgericht kader.

De auteurs behouden echter een bescheiden toon met betrekking tot de beperkingen van de studie. Zij erkennen expliciet dat de kleine steekproefomvang (n=163) de generaliseerbaarheid beperkt en het risico op overfitting vergroot, ondanks interne validatie. Zij merken op dat de bijna evenwichtige klassenverdeling niet de real-world prevalentie weerspiegelt, wat in de praktijk kan leiden tot miskalibratie. Bijgevolg concludeert het artikel dat hoewel de resultaten veelbelovend zijn, externe validatie in onafhankelijke, multicenter cohorten en prospectieve klinische studies essentieel zijn om de stabiliteit, transporteerbaarheid en werkelijke impact van het model op patiëntuitkomsten en de toewijzing van middelen te bevestigen.