Machine Learning-Supported Efficient VTE Risk Assessment using Routinely Collected Electronic Health Record Data

Ziekenhuizen zijn plaatsen waar de afweer van het lichaam vaak op zijn laagst is. Wanneer een persoon wordt opgenomen voor een operatie of een ernstige ziekte, kan de natuurlijke doorstroming van bloed door de aderen vertragen, en kan de stressrespons van het lichaam ervoor zorgen dat het bloed sneller stolt. Deze stolsels, bekend als veneuze tromboembolie, kunnen zich in de benen vormen en naar de longen reizen, wat een blokkade veroorzaakt die een belangrijke oorzaak is van vermijdbare sterfte in ziekenhuizen. Om dit te voorkomen, vereisen medische richtlijnen dat artsen en verpleegkundigen elke volwassen patiënt bij aankomst controleren. Ze moeten een specifiek formulier invullen waarin een reeks vragen wordt gesteld over de medische geschiedenis van de patiënt, hun huidige conditie en hun mobiliteit. Op basis van de antwoorden besluit het medische team of de patiënt speciale compressiekousen, bloedverdunnende medicatie, of beide nodig heeft. Dit proces is bedoeld als een vangnet om risico's te vangen voordat ze noodsituaties worden.

Het invullen van deze formulieren is echter een handmatige taak die berust op een mens die een dossier leest, zich de geschiedenis van een patiënt herinnert en de antwoorden in een computer typt. Dit creëert een kloof tussen wat het computersysteem van het ziekenhuis al weet over een patiënt en wat de arts op het formulier opschrijft. De computer heeft misschien een verslag van een eerdere operatie of een diagnose van kanker, maar als de arts die items niet handmatig op de checklist selecteert, behandelt het systeem de patiënt als een lager risico dan hij in werkelijkheid is. Deze studie, uitgevoerd bij vijf grote ziekenhuizen in Londen, stelde een eenvoudige maar cruciale vraag: zou het computersysteem van het ziekenhuis de antwoorden voor deze veiligheidsformulieren automatisch kunnen invullen, om artsen tijd te besparen en ervoor te zorgen dat er geen risicofactoren worden gemist?

De onderzoekers bekeken een enorme hoeveelheid gegevens en onderzochten bijna 580.000 ziekenhuisopnames over een periode van tien jaar. Ze ontdekten dat artsen zeer goed waren in het invullen van de formulieren — ze voltooiden ze voor bijna 97% van de patiënten — maar dat de timing vaak niet klopte. In 2015 werd minder dan de helft van deze formulieren voltooid binnen de eerste 14 uur na aankomst van een patiënt, een tijdsbestek dat volgens de richtlijnen cruciaal is voor het voorkomen van stolsels. Tegen 2024 was dat aantal aanzienlijk verbeterd naar meer dan 90%, maar de vertraging bleef een probleem, vooral voor patiënten die werden opgenomen om medische redenen in plaats van voor een operatie. De studie onthulde ook dat zelfs wanneer de formulieren werden ingevuld, de informatie op de formulieren niet altijd overeenkwam met de feiten die al in de elektronische dossiers waren opgeslagen.

Wanneer het team de informatie die artsen op de formulieren schreven vergeleek met wat de computergegevens lieten zien, vonden ze een patroon van gemiste details. Voor veelvoorkomende factoren, zoals een patiënt die ouder is dan 60 jaar, kwamen de artsen en de computergegevens meestal overeen. Maar voor minder veelvoorkomende maar ernstige risico's vergaten de artsen vaak deze op te schrijven. Als een patiënt bijvoorbeeld werd opgenomen op een intensive care afdeling, wist de computer dat, maar de arts noteerde dit slechts in ongeveer 14% van de gevallen op het formulier. Op dezelfde manier werd een geschiedenis van bloedstolsels in de familie voor veel patiënten in de computer geregistreerd, maar noteerden artsen dit slechts in ongeveer 5% van diezelfde gevallen op het formulier. Dit betekende dat de veiligheidsformulieren vaak de zeer belangrijke aanwijzingen misten die de belangrijkste beschermende behandelingen zouden triggeren.

Om te zien of deze ontbrekende informatie ertoe deed, controleerden de onderzoekers of de risicoscores op de formulieren daadwerkelijk voorspelden wie een bloedstolsel zou krijgen. Ze ontdekten dat patiënten die op de formulieren als hoog risico werden aangemerkt, inderdaad veel vaker stolsels ontwikkelden dan degenen die als laag risico werden aangemerkt, wat bewees dat de formulieren nuttig waren. Ze ontdekten echter ook dat wanneer artsen opschreven dat ze bloedverdunnende medicatie gaven, dit niet altijd overeenkwam met wat de apotheekgegevens lieten zien. Soms schreef een arts dat hij een medicijn had gegeven, terwijl de apotheekgegevens niets lieten zien, en andersom. Deze inconsistentie maakte het moeilijk om precies te weten hoe goed het huidige systeem de patiënten beschermde.

De kern van de studie was een experiment om te zien of een computer het werk van de arts kon doen bij het invullen van het formulier. De onderzoekers bouwden een machine learning-model, een type software dat leert van gegevens uit het verleden, om de elektronische gezondheidsdossiers te analyseren en automatisch de risicofactoren te selecteren. Ze testten dit systeem op een groep patiënten en vergeleken de prestaties met de formulieren die daadwerkelijk door artsen waren ingevuld. Het computermodel, dat alleen gebruikmaakte van de informatie die beschikbaar was binnen de eerste 14 uur van opname, presteerde net zo goed als de artsen in het voorspellen van wie een bloedstolsel zou ontwikkelen. Sterker nog, de computer was in staat om dezelfde hoogrisicopatiënten te identificeren als de artsen, maar deed dit door gebruik te maken van gegevens die al in het systeem aanwezig waren, gegevens die de artsen vaak over het hoofd hadden gezien bij het handmatig invullen van het papieren formulier.

De studie suggereert dat de eigen data van het ziekenhuis rijk genoeg is om deze veiligheidscontroles te ondersteunen zonder dat artsen alles vanaf nul opnieuw hoeven in te voeren. De computermodellen toonden aan dat ze dezelfde patronen van risico konden vinden als de menselijke clinici, en in sommige gevallen vonden ze zelfs risicofactoren die de mensen hadden gemist. De onderzoekers concludeerden dat de beste weg voorwaarts niet is om de arts te vervangen, maar om de computer het formulier vooraf in te laten vullen met de informatie die hij al kent. De arts zou dan simpelweg de vooraf ingevulde antwoorden kunnen controleren, bevestigen en eventuele nieuwe details kunnen toevoegen. Deze aanpak zou de tijd die artsen besteden aan papierwerk verminderen, ervoor zorgen dat kritieke risicofactoren niet worden vergeten, en ziekenhuizen helpen om de strikte 14-uursdeadline voor veiligheidsbeoordelingen te halen. Door gebruik te maken van de gegevens die er al zijn, kunnen ziekenhuizen hun veiligheidsnetten sterker en betrouwbaarder maken, zodat de juiste bescherming de juiste patiënten op het juiste moment bereikt.