The EHR Density Index: A new method to control for EHR data inconsistency across patients

Stel je voor dat je een mysterie probeert op te lossen met een gigantische, rommelige bibliotheek vol medische dossiers. Dit is geen bibliotheek waar elk boek netjes geordend is; het is meer als een chaotische zolder waar sommige mensen hele kisten met dagboeken, foto's en bonnetjes hebben achtergelaten, terwijl anderen slechts een enkel plakbriefje hebben laten vallen. In de wereld van medisch onderzoek is dit de realiteit van "Elektronische Gezondheidsdossiers" (EHR). Dit zijn de digitale bestanden die artsen gebruiken om patiënten bij te houden, maar omdat ze zijn geschreven voor de dagelijkse zorg in plaats van voor wetenschappers, zijn ze vaak ongelijkmatig. Sommige patiënten, meestal de zeer zieken, hebben pagina's en pagina's aan gegevens omdat ze constant het ziekenhuis bezoeken. Anderen, die gezonder zijn of slechts één keer per jaar een arts bezoeken, hebben zeer schaarse dossiers.

Lama tijd hebben onderzoekers geprobeerd dit puinhoop te repareren met een hulpmiddel genaamd de "Charlson Comorbidity Index" (CCI). Zie de CCI als een "ziektescore". Het kijkt naar het dossier van een patiënt en telt hoeveel ernstige ziekten iemand heeft. Het idee is dat als je weet hoe ziek iemand is, je ze eerlijk met anderen kunt vergelijken. Maar hier is de crux: de CCI meet alleen hoe ziek iemand is, niet hoeveel we weten over hen. Als een zeer zieke persoon alleen een specialist bezoekt die weinig details opschrijft, kan de CCI zeggen dat diegene ziek is, maar ziet het dossier er leeg uit. Dit creëert een lastig probleem: is de uitkomst van een patiënt anders omdat ze zieker zijn, of simpelweg omdat hun medische dossier dunner is? Wetenschappers hebben een manier nodig om de "dikte" van het dossier zelf te meten, los van de ziekte die erin zit.

Hier komt een team van onderzoekers van de University of North Carolina met een nieuw idee genaamd de EHR Density Index (EDI). Ze realiseerden zich dat om eerlijke resultaten uit medische gegevens te krijgen, je niet alleen de gezondheid van de patiënt moet kennen, maar ook het "volume" van hun papierwerk. Ze hebben een systeem gebouwd om exact te meten hoeveel informatie er elk jaar in het dossier van een patiënt is verpakt, waarbij rekening wordt gehouden met hoe vaak die persoon daadwerkelijk de dokter bezoekt.

Het Verhaal van de "Papierwerk-Detective"

De onderzoekers begonnen met een enorme stapel gegevens: de medische dossiers van 24.987 volwassen patiënten van UNC Health, die de jaren 2018 tot en met 2024 beslaan. Ze wilden een nieuw hulpmiddel creëren dat hen kon vertellen: "Deze patiënt heeft veel data," of "Deze patiënt heeft heel weinig," zonder dat dit verward wordt met "Deze patiënt is erg ziek."

Om dit te doen, telden ze niet alleen regels tekst. Ze gedroegen zich als detectives die mensen in groepen sorteerden op basis van hoe zij met de gezondheidszorg omgaan. Ze gebruikten een slimme wiskundige truc genaamd een "Gaussian Mixture Model" (denk aan een slim sorteermachine) om patiënten in vier verschillende "gebruikersclusters" te verdelen op basis van hun bezoekpatronen:

1. Hoge In-patient: Mensen met veel of lange ziekenhuisopnames.
2. Gemiddelde In-patient: Mensen die af en toe naar het ziekenhuis gaan.
3. Outpatient Regular: Mensen die op een gestage, voorspelbare manier artsen in klinieken bezoeken.
4. Outpatient Irregular: Mensen die zelden en op onvoorspelbare tijden bezoeken.

Zodra de patiënten in deze groepen waren gesorteerd, keken de onderzoekers naar de "dichtheid" van hun dossiers. Ze vroegen: "Heeft deze persoon binnen dit specifieke groepje mensen meer of minder papierwerk dan het gemiddelde?" Ze controleerden vier specifieke soorten medische aanwijzingen: condities (diagnoses), medicatie (geneesmiddelen), metingen (zoals bloedtesten) en procedures (zoals operaties of röntgenfoto's).

Als een patiënt in de groep "Outpatient Regular" veel meer laboratoriumresultaten en medicatienotities had dan zijn buren, kreeg deze een hoge "densiteitsscore". Als hij er minder had, kreeg hij een lage score. Deze score wordt een "residue" genoemd, wat gewoon een deftig woord is voor "hoe ver men afwijkt van het gemiddelde".

Wat Ze Vonden

Het team ontdekte iets fascinerends: ziek zijn en een dik dossier hebben zijn gerelateerd, maar ze zijn niet hetzelfde ding.

Ze controleerden of de "ziektescore" (CCI) de "papierwerkscore" (EDI) kon voorspellen. Ze vonden dat hoewel zieke patiënten de neiging hebben om meer bezoeken te hebben en dus meer data, de verbinding zwak is. Sterker nog, ze vonden veel patiënten die zeer ziek waren maar zeer schaarse dossiers hadden, en anderen die minder ziek waren maar ongelooflijk gedetailleerde dossiers hadden.

Het artikel betoogt expliciet tegen het idee dat de oude "ziektescore" (CCI) voldoende is om het dataprobleem op te lossen. De auteurs laten zien dat de CCI geweldig is in het vertellen hoe ziek iemand is, maar verschrikkelijk in het vertellen hoeveel informatie er daadwerkelijk in hun dossier zit. Een patiënt met een hoge CCI-score kan nog steeds een "dun" dossier hebben als diegene niet vaak naar het ziekenhuis gaat, en de CCI kan dat niet zien. De EDI merkt dat dunne dossier echter direct op.

De onderzoekers lieten ook zien dat de EDI geen vervanging is voor de CCI. In plaats daarvan is het een metgezel. Stel je voor dat je een cake bakt. De CCI is de bloem (het hoofdingrediënt van ziekte), en de EDI is de maatbeker (die vertelt hoeveel van het ingrediënt je daadwerkelijk hebt). Je hebt beide nodig om het juiste resultaat te krijgen. Als je alleen de bloem gebruikt zonder te meten, kan je cake een ramp worden.

Waarom Dit Belangrijk Is

De auteurs suggereren dat het gebruik van de EDI naast de CCI wetenschappers kan helpen om fouten te voorkomen. In het verleden, als een studie vond dat een bepaiment medicijn beter werkte voor sommige mensen, kon dat komen omdat die mensen "dikker" dossiers hadden waarin artsen meer details opschreven, en niet omdat het medicijn daadwerkelijk beter werkte. Door de EDI aan hun berekeningen toe te voegen, kunnen onderzoekers voor deze ongelijkheid "controleren".

Het paper beweert niet dat ze elk probleem in medisch onderzoek hebben opgelost. Ze geven toe dat hun specifieke cijfers misschien niet perfect werken voor elk ziekenhuis ter wereld, omdat verschillende ziekenhuizen zaken op verschillende manieren opschrijven. Ze moedigen andere wetenschappers aan om hun methode te nemen en deze te "hertrainen" op hun eigen lokale data. Ze merken ook op dat hun huidige hulpmiddel alleen naar gestructureerde data kijkt (zoals selectievakjes en codes) en nog niet de vrije tekstnotities leest die artsen in hun eigen woorden schrijven.

Kortom, de EHR Density Index is een nieuwe liniaal om de "dikte" van het medische verhaal van een patiënt te meten. Het helpt onderzoekers te begrijpen dat alleen omdat een dossier dun is, betekent niet dat de patiënt gezond is; het kan ook betekenen dat het verhaal nog niet is opgeschreven. Door dit nieuwe hulpmiddel te gebruiken, hopen wetenschappers hun ontdekkingen nauwkeuriger, eerlijker en betrouwbaarder te maken voor iedereen.