← Nieuwste papers
📄 longgeneeskunde

Beyond Padua and IMPROVE: Machine Learning Outperforms Guideline Risk Scores for Prediction of Radiologically Confirmed Hospital-Acquired Venous Thromboembolism

Deze studie toont aan dat machine learning-modellen die getraind zijn op routinematige opnamegegevens significant beter presteren dan traditionele richtlijngebaseerde risicoscores (Padua en IMPROVE) bij het voorspellen van radiologisch bevestigde in het ziekenhuis verworven veneuze trombo-embolieën binnen een grote, niet-geselecteerde cohort van bijna 400.000 opnames.

Oorspronkelijke auteurs: Feng, J., Li, Y., Yu, S., Sun, X.

Gepubliceerd 2026-08-28
📖 4 min leestijd☕ Koffiepauze-leesvoer

Oorspronkelijke auteurs: Feng, J., Li, Y., Yu, S., Sun, X.

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer

Elk jaar worden miljoenen mensen opgenomen in een ziekenhuis voor behandeling, en voor velen brengt de handeling van het stil liggen of herstellen van een ziekte een verborgen gevaar met zich mee: de vorming van bloedstolsels. Deze stolsels kunnen door de aderen reizen en de bloedstroom naar de longen blokkeren, een conditie die bekend staat als veneuze trombo-embolie, wat een belangrijke oorzaak is van vermijdbare sterfte in ziekenhuizen. Artsen vertrouwen al lang op eenvoudige checklists om te beslissen wie preventieve medicatie nodig heeft. Deze checklists stellen een paar basisvragen: Is de patiënt ouder dan een bepaalde leeftijd? Heeft de patiënt kanker? Kan de patiënt niet rondbewegen? Op basis van de antwoorden wordt een score berekend om het risico in te schatten. Hoewel deze instrumenten standaardpraktijk zijn, missen ze vaak het doel, omdat ze veel patiënten die wel een stolsel zullen ontwikkelen niet identificeren, terwijl ze anderen die eigenlijk veilig zijn, onterecht aanmerken. De uitdaging is geweest om een manier te vinden om het gevaar duidelijker te zien zonder meer werk toe te voegen voor overbelast medisch personeel.

Een team van onderzoekers zette zich in om te testen of een computerprogramma kon leren van ziekenhuisgegevens om deze stolsels beter te voorspellen dan de traditionele checklists. Ze wenden zich tot een enorme collectie gede-identificeerde medische dossiers van één enkel ziekenhuis in de Verenigde Staten, die meer dan 399.000 volwassen opnames tussen 2008 en 2022 beslaat. Om ervoor te zorgen dat ze nieuwe gevallen bestudeerden in plaats van oude geschiedenis, richtten ze zich alleen op patiënten die nog nooit eerder een bloedstolsel hadden gehad. De onderzoekers vertrouwden niet op eenvoudige facturatiecodes om de zieke patiënten te vinden, aangezien deze codes onnauwkeurig kunnen zijn. In plaats daarvan bouwden ze een systeem om de volledige tekst van radiologieverslagen te lezen, zoals CT-scans en echografiebeelden, waarbij ze zochten naar de specifieke woorden die artsen gebruiken wanneer zij een nieuw stolsel bevestigen. Dit zorgvuldige proces identificeerde 1.915 patiënten die tijdens hun verblijf een nieuw stolsel ontwikkelden, een percentage van ongeveer vijf gevallen per 1.000 opnames.

De onderzoekers trainden vervolgens twee soorten computermodellen om deze gebeurtenissen te voorspellen. Het eerste type keek naar een momentopname van de gegevens van de patiënt uit de eerste 24 uur van hun verblijf, inclusief leeftijd, medische geschiedenis, laboratoriumuitslagen en of ze een operatie hebben ondergaan. Het tweede type was dynamisch, wat betekent dat het de voorspelling elke dag bijwerkte naarmate er nieuwe laboratoriumuitslagen en vitale functies binnenkwamen. Ze vergeleken deze computermodellen met de twee meest gebruikte richtlijnenchecklists die vandaag de dag in ziekenhuizen worden gebruikt. De resultaten waren opmerkelijk. De traditionele checklists presteerden zwak en identificeerden het risico slechts in ongeveer 62% van de gevallen bij het testen op nieuwe gegevens. In contrast hiermee behaalden de computermodellen, die gebruikmaakten van dezelfde routinedata die beschikbaar is voor artsen, een AUC van 0,89. De verbetering was zo groot dat deze statistisch onweerlegbaar was, wat aantoonde dat de computermodellen patronen in de gegevens konden ontdekken die de eenvoudige checklists volledig misten.

De studie onderzocht ook of meer complexe deep-learningsystemen, die proberen de gehele sequentie van de dagelijkse veranderingen van een patiënt te lezen, het nog beter zouden doen. Verrassend genoeg boden deze complexe systemen geen voordeel ten opzichte van de eenvoudigere modellen die alleen naar de dagelijkse samenvattingen keken. De onderzoekers kwamen tot de conclusie dat de eenvoudigere modellen net zo effectief waren in het vastleggen van de risicosignalen die verborgen lagen in de gegevens. Bovendien bleven de computermodellen superieur, zelfs toen de onderzoekers ze testten onder strikte omstandigheden, zoals door alleen te kijken naar patiënten die een stolsel ontwikkelden meer dan een dag na aankomst, of door patiënten met een geschiedenis van stolsels op te nemen. Het voordeel van de computermodellen bleef standhouden in al deze scenario's.

Dit werk suggereert dat de toekomst van de ziekenhuisveiligheid kan liggen in software die op de achtergrond draait, die automatisch het risico berekent op het moment dat een patiënt wordt opgenomen. In tegen tegenstelling tot de huidige checklists, die een verpleegkundige of arts vereisen om handmatig een formulier in te vullen, kunnen deze computermodellen de benodigde informatie rechtstreeks uit het elektronisch patiëntendossier halen. Hoewel de studie werd uitgevoerd op historische gegevens en verdere tests in realtime ziekenhuisomgevingen vereist voordat het breed kan worden toegepast, wijzen de bevindingen erop dat een aanzienlijke sprong in nauwkeurigheid mogelijk is. Door de gegevens te gebruiken die al in de computers van ziekenhuizen aanwezig zijn, kan het binnenkort mogelijk worden om meer patiënten te beschermen tegen bloedstolsels zonder een enkele extra stap toe te voegen aan de dagelijkse routine van de medische zorg.

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.

Probeer Digest →