Haemodynamic intolerance at the de-resuscitation decision in critically ill adults: development, temporal and external validation of a prediction model across two intensive care databases
Deze studie ontwikkelde en valideerde een draagbaar voorspellingsmodel met behulp van routinematig verzamelde gegevens om het risico op hemodynamische intolerantie binnen 24 uur na het starten van vloeistofverwijdering bij kritiek zieke volwassenen te schatten, waarbij een stabiele discriminatie over diverse cohorten werd aangetoond, maar eenvoudige recalibratie vereist is om aan te passen aan variërende prevalenties van gebeurtenissen vóór klinische implementatie.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je een chef-kok bent die een enorme, complexe stoofpot kookt voor een ziekenhuiskeuken. De eerste stap is het toevoegen van een enorme hoeveelheid water om de ingrediënten te laten pruttelen en de smaken te laten ontwikkelen; dit is als het geven van veel IV-vloeistoffen aan kritiek zieke patiënten om hen te helpen overleven tijdens een shock. Maar zodra de patiënt begint te herstellen, wordt dat extra water een probleem. Het maakt de longen zwaar en zorgt ervoor dat het hart te hard moet werken, dus moet de chef-kok wat vloeistof afvoeren. Dit wordt "de-resuscitatie" genoemd. Het lastige deel is weten wanneer je de pan moet leegmaken. Als je te veel afvoert, te snel, kan de patiënt crashen — zoals een automotor die afslaat omdat je te veel olie hebt verwijderd. Artsen hebben een manier nodig om te voorspellen of een specifieke patiënt de afvoer zonder gevaarlijk lage bloeddruk kan verdragen. Lange tijd hebben ze moeten gokken, maar deze nieuwe studie probeat een "glazen bol" te bouwen om hen te helpen die beslissing veilig te nemen.
De onderzoekers, onder leiding van Lujun Shao en collega's, hebben een digitale glazen bol gebouwd om een specifieke dreiging te voorspellen: hemodynamische intolerantie. In gewone mensentaal betekent dit dat de bloeddruk van de patiënt instort of dat er nieuwe noodmedicijnen (vasopressoren) nodig zijn binnen 24 uur na het starten van de vloeistofafvoer. Ze wilden weten: Kunnen we naar de gegevens van een patiënt kijken vlak voordat de arts de eerste dosis van een diureticum (een plaspil genaamd furosemide) geeft en zeggen: "Ja, deze persoon is veilig om af te voeren" of "Ho, wacht even, deze persoon kan crashen"?
Om deze glazen bol te bouwen, keken de onderzoekers niet naar slechts één ziekenhuis; ze gebruikten twee enorme, publieke bibliotheken met medische gegevens uit de Verenigde Staten. De eerste bibliotheek, genaamd MIMIC-IV, is als een gedetailleerd dagboek van één groot ziekenhuis in Boston. De tweede bibliotheek, eICU-CRD, is als een verzameling dagboeken van honderden verschillende ziekenhuizen verspreid over het land. Ze trainden hun computermodel op de Boston-gegevens en testten het vervolgens op de andere ziekenhuizen om te zien of het nog steeds zou werken wanneer de "smaak" van de patiënten veranderde. Ze gebruikten 20 verschillende aanwijzingen, zoals de leeftijd van de patiënt, de hartslag, de bloeddrukgeschiedenis en de niveaus van chemicaliën in hun bloed (zoals lactaat en creatinine).
De resultaten waren een mix van "best goed" en "heeft nog wat afstelling nodig". Het model was verrassend goed in het sorteren van patiënten in "hoog risico" en "laag risico" groepen. Denk aan een weer-app die misschien niet perfect is in het precies zeggen wanneer het gaat regenen, maar wel heel goed is in het vertellen welke dagen waarschijnlijk stormachtig versus zonnig zullen zijn. In de tests rangschikte het model patiënten ongeveer 76% van de tijd correct (een score van 0,76 op 1,0). Deze score bleef stabiel, of ze het nu testten op toekomstige patiënten uit hetzelfde Bostonse ziekenhuis of op volledig andere patiënten uit ziekenhuizen over de hele VS. Dit betekent dat het vermogen van het model om het patroon van risico te herkennen, goed meereist.
Het model had echter een eigenaardigheid: het kreeg de exacte getallen fout afhankelijk van hoeveel mensen er daadwerkelijk in de groep aan het crashen waren. Als de groep minder crashes had dan het model verwachtte, overschatte het model het gevaar (zeggende "Het wordt een ramp!" terwijl het slechts een motregen was). Als de groep meer crashes had, onderschatte het model het (zeggende "Het is oké!" terwijl er een storm op komst was). De auteurs ontdekten dat dit geen kapotte motor was; het was simpelweg een kalibratieprobleem. Door een eenvoudige wiskundige aanpassing te doen die "recalibratie" wordt genoemd — in feite de volumeknop van het model aanpassen om te passen bij de lokale realiteit van het ziekenhuis — konden ze de voorspellingen bijna perfect corrigeren.
De studie vergeleek ook twee soorten "hersenen" voor het model: een eenvoudige, gemakkelijk leesbare wiskundige formule (Ridge Logistic Regression) en een complex, "black-box" machine learning-algoritme (Gradient Boosting). Verrassend genoeg won het complexe brein slechts met een minuscule, bijna onzichtbare marge. Het eenvoudige brein presteerde bijna net zo goed, wat geweldig nieuws is omdat artsen daardoor kunnen begrijpen waarom het eenvoudige model zijn beslissing nam, terwijl het complexe model moeilijker uit te leggen is.
Dus, wat is de kern van het verhaal? De auteurs hebben een hulpmiddel gebouwd dat suggereert wie moeite zal hebben wanneer artsen beginnen met het afvoeren van vloeistoffen. Het is geen toverstaf die het probleem oplost, en het is nog niet klaar om de oordeelsvorming van de arts te vervangen. Het artikel stelt expliciet dat dit een "beslissingsondersteunend" instrument is, wat betekent dat het er is om de arts te helpen nadenken, niet om de beslissing voor hen te nemen. Het model moet voor elk specifief ziekenhuis worden "regekalibreerd" (afgestemd) voordat het kan worden gebruikt, en de belangrijkste volgende stap is om het in de echte wereld te testen om te zien of het gebruik ervan daadwerkelijk helpt bij het overleven van patiënten. Tot die tijd blijft het een zeer veelbelovende, maar nog experimentele assistent voor het IC-team.
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.