PhysioFusion: A Multi-Modal Ensemble using Static Preoperative Variables and Time Series Intraoperative Data to Predict Adverse Events Following Cardiothoracic Surgery

Wanneer een patiënt een grote operatie aan het hart of de longen ondergaat, zijn de uren die volgen een kritieke periode waarin het herstel van het lichaam zich kan stabiliseren of een gevaarlijke wending kan nemen. In de intensive care houden medische teams constant een stroom aan informatie in de gaten: het gestage ritme van een hart, de druk van het bloed dat door de aderen stroomt, en de chemische balans van het bloed zelf. Decennialang hebben artsen vertrouwd op statische momentopnames van de gezondheid van een patiënt — zoals hun leeftijd, bestaande aandoeningen of bloedtestresultaten die vóór de operatie zijn genomen — om te raden wie het moeilijk zou krijgen. Echter, de moment-tot-moment veranderingen die plaatsvinden terwijl een patiënt onder anesthesie is en tijdens de operatie zelf, bieden een ander soort verhaal, een dat zich in realtime ontvouwt. De centrale vraag voor onderzoekers is geweest of het combineren van deze twee soorten informatie — de vaste achtergrond van de gezondheid van een patiënt en de dynamische, verschuivende signalen uit de operatiekamer — een duidelijker beeld geeft van wie er risico loopt, of dat één bron van informatie op zichzelf al voldoende is.

Een team van onderzoekers zette zich in om dit te beantwoorden door een nieuw soort computersysteem te bouwen dat ontworpen is om patiënten na cardio-thoracale chirurgie in de gaten te houden. Ze noemden hun creatie PhysioFusion, een hulpmiddel dat fungeert als een zeer aandachtige waarnemer, in staat om zowel de permanente medische geschiedenis van een patiënt als de levende, stromende gegevens van hun operatie te lezen. Het systeem werd getraind op een enorme collectie gegevens van de Society of Thoracic Surgeons, die details bevatten over duizenden patiënten. De onderzoekers voedden de computer twee verschillende stromen gegevens: een lijst met statische feiten over elke patiënt, zoals of ze een geschiedenis van hartfalen hadden of hoeveel witte bloedcellen ze hadden, en een continue stroom van getallen uit de operatiekamer, die zaken bijhouden zoals bloeddruk en hartfunctie elke seconde terwijl de operatie vorderde. Om de complexiteit te begrijpen, vertrouwde het team niet op één enkele methode. In plaats daarvan bouwden ze een ensemble, een groep verschillende wiskundige modellen die samenwerken. Sommige delen van het systeem waren ontworpen om patronen in de statische lijsten te vinden, terwijl andere gespecialiseerd waren in het begrijpen van het ritme en de flow van de tijdsgebonden signalen, vergelijkbaar met hoe een muzikant bladmuziek leest versus hoe hij zou improviseren op een beat.

Het doel was om ongunstige gebeurtenissen te voorspellen, wat ernstige complicaties zijn die na een operatie op de intensive care kunnen optreden. Toen de onderzoekers hun systeem testten, ontdekten ze dat het met een hoge mate van nauwkeurigheid het onderscheid kon maken tussen patiënten die stabiel zouden blijven en patiënten die te maken zouden krijgen met complicaties. Het model behaalde een score van 0,87 in zijn vermogen om de twee groepen van elkaar te scheiden, een prestatieniveau dat suggereert dat het een betrouwbaar hulpmiddel is voor screening. Het was bijzonder goed in het identificeren van patiënten die géén slecht verloop zouden hebben, waarbij het complicaties voor bijna al hen correct uitsloot. Dit is een essentieel kenmerk voor een screeningsinstrument, aangezien het artsen het vertrouwen geeft dat een patiënt die als laag risico wordt aangemerkt, werkelijk veilig is, waardoor zij hun meest intensieve middelen kunnen richten op de weinigen die ze nodig hebben. Het systeem identificeerde ook specifieke factoren die het meest invloedrijk waren in zijn voorspellingen, waaronder of een patiënt vóór de operatie hartfalen had, of er een apparaat nodig was om het bloed tijdens de operatie te helpen pompen, hoe lang de hart-longmachine werd gebruikt, en het niveau van witte bloedcellen.

De meest verrassende ontdekking kwam echter toen de onderzoekers de twee soorten gegevens afzonderlijk testten. Ze verwachtten dat het combineren van de statische geschiedenis met de live signalen uit de operatiekamer een superkrachtig voorspellend vermogen zou creëren dat beter was dan elk van beide alleen. In plaats daarvan ontdekten ze dat de statische gegevens uit de medische geschiedenis van de patiënt, wanneer deze afzonderlijk werden geanalyseerd, net zo goed presteerden als het gecombineerde systeem, waarbij ze dezelfde score van 0,87 bereikten. De live signalen uit de operatiekamer, die op zichzelf werden geanalyseerd, waren iets minder effectief met een score van 0,83. Deze bevinding suggereert dat voor deze specifieke groep patiënten de twee soorten informatie eerder als substituten dan als partners fungeren. De gedetailleerde, moment-tot-moment gegevens van de operatie voegden geen nieuwe informatie toe die de statische geschiedenis niet al bevatte. In plaats daarvan verschoof de combinatie van de twee simpelweg de balans tussen het detecteren van elk mogelijk risico en het vermijden van valse alarmen, waardoor de afruil tussen sensitiviteit en precisie veranderde zonder de totale hoeveelheid nuttig signaal te vergroten.

Verder onderzoek naar de live gegevens onthulde dat geen enkel enkel monitoringskanaal de enige held van het verhaal was. Het systeem vertrouwde niet op slechts één getal, zoals hartslag of zuurstofgehaltes, om zijn beslissingen te nemen. Hoewel de gemiddelde bloeddruk en de druk in de centrale aders de minst vervangbare stukken informatie waren, toonde het systeem aan dat het kon functioneren zonder dat een specifiek signaal absoluut cruciaal was. Deze robuustheid betekent dat het instrument niet fragiel is; het gaat niet kapot als één monitor uitvalt. De studie concludeert dat hoewel geavanceerde systemen complexe datastromen kunnen integreren, ziekenhuizen die alleen toegang hebben tot standaard patiëntendossiers en registergegevens, nog steeds dezelfde hoge mate van voorspellende nauwkeurigheid kunnen bereiken als die met volledige tijdreeksmonitoring. Het werk demonstreert dat voor het voorspellen van postoperatieve complicaties in deze context, een diep begrip van de bestaande conditie van een patiënt vaak even krachtig is als het observeren van de klok tijdens de operatie zelf.