DualStream-MTCA: A Hybrid Deep Learning Model for the Simultaneous Early Detection of Sepsis and Heart Failure in Adult Intensive Care

In de hooggespannen omgeving van een intensive care-afdeling is tijd de meest kritieke hulpbron. Twee van de gevaarlijkste condities waarmee patiënten te maken krijgen, zijn sepsis, een levensbedreigende reactie op infectie die organen kan doen uitvallen, en hartfalen, een aandoening waarbij het hart niet genoeg bloed kan pompen om aan de behoeften van het lichaam te voldoen. Beide condities beginnen vaak met vergelijkbare waarschuwingssignalen: een snelle hartslag, een lage bloeddruk en een versnelde ademhaling. Deze gelijkenis creëert een gevaarlijk dilemma voor artsen. De behandelingen voor deze twee condities zijn vaak tegenovergesteld; sepsis vereist meestal agressieve vochtresuscitatie om de bloeddruk op peil te houden, terwijl hartfalen vaak vereist dat er vocht wordt verwijderd om te voorkomen dat de longen volstromen. De verkeerde behandeling geven kan fataal zijn. Momenteel vertrouwen artsen op afzonderlijke hulpmiddelen om elke conditie te voorspellen, maar deze hulpmiddelen luiden de alarmbel vaak pas af nadat de patiënt al is begonnen te verslechteren. De uitdaging voor de medische wetenschap is om een systeem te bouwen dat beide dreigingen vroegtijdig kan opsporen, ze van elkaar kan onderscheiden en het medische team kan waarschuwen voordat de toestand van de patiënt kritiek wordt.

Onderzoekers aan de Universiteit van Kurdistan Hewlêr hebben een nieuw computermodel ontwikkeld dat ontworpen is om dit specifieke probleem op te lossen. Ze creëerden een systeem genaamd DualStream-MTCA, dat fungeert als een gelijktijdige vroege waarschuwingsdetector voor zowel sepsis als hartfalen. In plaats van de gegevens van een patiënt te bekijken als een enkele momentopname, analyseert het model de geschiedenis van hun vitale functies en laboratoriumresultaten in de loop van de tijd. Het werd getraind op een enorme dataset met de gegevens van 53.229 volwassen patiënten uit intensive care-afdelingen. Het systeem werkt door twee parallelle stromen van analyse te draaien. Eén stroom houdt de uurlichse veranderingen in vitale functies zoals hartslag en temperatuur over de laatste 48 uur in de gaten, terwijl de andere stroom de dagelijkse laboratoriumresultaten over de voorgaande week bijhoudt. Deze twee stromen van informatie worden vervolgens gecombineerd en kruisverwezen door een mechanisme dat het model in staat stelt om te zien hoe de vitale functies en laboratoriumresultaten elkaar beïnvloeden. Om tot zijn uiteindelijke beslissing te komen, gebruikt het model ook een gespecialiseerd onderdeel dat leert van patronen in de meest recente laboratoriumresultaten, vergelijkbaar met hoe een ervaren clinicus een specifieke bloedtest zou afwegen tegen de geschiedenis van een patiënt.

Toen het systeem werd getest op een onafhankelijke groep patiënten uit dezelfde database die het model nog nooit eerder had gezien, presteerde het systeem met een hoge nauwkeurigheid. Het behaalde een AUC van 0,867 voor sepsis en 0,899 voor hartfalen. Deze cijfers vertegenwoordigen een significante verbetering ten opzichte van eerdere modellen die de twee condities apart behandelden. De onderzoekers ontdekten ook dat het model zeer goed was in het inschatten van hoe zeker het was over zijn voorspellingen. Door een techniek te gebruiken die kleine, willekeurige variaties introduceert tijdens het besluitvormingsproces, kon het systeem een betrouwbaarheidsscore leveren die de werkelijkheid bijna perfect weerspiegelde. Dit betekent dat wanneer het model een patiënt signaleert, artsen de waarschijnlijkheid kunnen vertrouwen die het toekent, in plaats van te moeten gissen of het een vals alarm is. Het model identificeerde ook succesvol de specifieke factoren die de beslissingen aanstuurden, zoals lactaatniveaus en witte bloedcelgetallen voor sepsis, en specifieke hartgerelateerde markers voor hartfalen, wat bevestigde dat het medisch relevante patronen leerde in plaats van willekeurige ruis.

De onderzoekers waren echter voorzichtig om te testen hoe goed dit systeem zou werken in een andere ziekenhuisomgeving, en niet alleen in het ziekenhuis waar het op getraind was. Toen zij het model toepasten op meer dan 100.000 patiëntengegevens uit een andere database, waren de resultaten gemengd. Het systeem bleef zeer effectief in het voorspellen van hartfalen, met slechts een kleine daling in prestaties. Maar het vermogen om sepsis te detecteren nam merkbaarder af. De onderzoekers herleidden deze daling tot een verschil in de manier waarop de twee ziekenhuizen hun gegevens registreerden; de tweede database bevatte veel minder gedetailleerde microbiologische rapporten, die cruciaal zijn voor het identificeren van sepsis. Deze bevinding onderstreept een beperking in de echte wereld: hoewel het model krachtig is, is het afhankelijk van de kwaliteit en het type beschikbare gegevens. Als een ziekenhuis niet dezelfde specifieke details registreert, kan de nauwkeurigheid van het model voor bepaalde condities eronder lijden. De studie concludeert dat hoewel deze duale detectie-aanpak een grote stap voorwaarts is, het zorgvuldige aanpassing aan lokale datasystemen vereist voordat het gebruikt kan worden om behandelbeslissingen in elk ziekenhuis te begeleiden. Het werk demonstreert dat het mogelijk is om één enkel systeem te bouwen dat tegelijkertijd let op meerdere, tegenstrijdige medische noodgevallen, wat een duidelijk pad biedt naar eerdere, nauwkeurigere interventie.