Explainable Artificial Intelligence for Prehospital Identification of Stroke Patients Likely to Receive Endovascular Thrombectomy: A Retrospective Real-World Study
Deze retrospectieve real-world studie toont aan dat hoewel een Random Forest machine learning-model een hoge sensitiviteit (0,92) en een AUROC van 0,85 bereikte voor de prehospital identificatie van stroke-patiënten die waarschijnlijk endovasculaire trombectomie zullen ontvangen, de prestaties niet statistisch superieur waren aan de gevestigde 4I-SS klinische schaal.
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
Elk jaar lijden miljoenen mensen over de hele wereld aan een beroerte, een plotselinge onderbreking van de bloedtoevoer naar de hersenen die blijvende schade kan veroorzaken of het leven kan nemen. Wanneer een grote slagader in de hersenen geblokkeerd is, is de meest effectieve behandeling een procedure genaamd endovasculaire trombectomie, waarbij artsen fysiek het bloedstolsel verwijderen. Deze behandeling werkt het beste wanneer deze snel wordt uitgevoerd, bij voorkeur binnen enkele uren na de eerste symptomen. De uitdaging ligt in het snel krijgen van de juiste patiënten bij het juiste ziekenhuis. Ambulancepersoneel moet vaak beslissen of ze een patiënt rechtstreeks naar een gespecialiseerd centrum moeten brengen dat in staat is de procedure uit te voeren, of eerst naar een dichterbij gelegen lokaal ziekenhuis. Het sturen van iedereen naar het gespecialiseerde centrum kan die faciliteiten overbelasten, terwijl het sturen van de verkeerde patiënten naar lokale ziekenhuizen eerst zorgt voor gevaarlijke vertragingen. Het doel is om de specifieke patiënten te identificeren die de geavanceerde procedure nodig hebben terwijl ze nog in de ambulance zijn, maar de huidige instrumenten die ambulancebroeders gebruiken zijn niet perfect in het maken van dit onderscheid.
Een team van onderzoekers in Duitsland besloot te kijken of moderne computerleerprocessen dit besluitvormingsproces kunnen verbeteren. Ze bekeken real-world data van meer dan 1.400 patiënten die tussen 2015 en 2021 door een ambulance werden vervoerd met een vermoedelijke beroerte in een landelijke regio. De onderzoekers wilden een digitale tool bouwen die de informatie kan analyseren die ambulancepersoneel ter plaatse verzamelt — zoals de leeftijd van de patiënt, de bloeddruk en specifieke tekenen van hersenproblemen zoals zwakte aan één zijde van het lichaam of moeite met spreken — en de waarschijnlijkheid voorspelt dat de patiënt uiteindelijk de geavanceerde methode voor het verwijderen van het stolsel nodig zal hebben. Ze testten verschillende computermodellen om te zien of ze deze patiënten beter konden opsporen dan de standaard checklists die ambulancepersoneel momenteel gebruikt.
De studie toonde aan dat de computermodellen vrij goed waren in hun taak, maar dat ze de bestaande door mensen gemaakte checklists niet drastisch overtroffen. Het beste computermodel behaalde een AUC van 0,92, hoewel het ook sommige patiënten markeerde die het niet nodig hadden. Dit is een cruciale balans om te vinden: in de spoedeisende geneeskunde is het missen van een patiënt die de procedure nodig heeft veel erger dan het per abuis naar een gespecialiseerd centrum sturen van een extra patiënt. De onderzoekers ontdekten dat de computermodellen zwaar leunden op dezelfde aanwijzingen waar ervaren artsen naar kijken, zoals verlamming aan één zijde van het lichaam, moeite met spreken en veranderingen in de alertheid. De computer heeft geen nieuwe regels uitgevonden; het bevestigde simpelweg dat deze specifieke fysieke tekenen de sterkste indicatoren zijn van een ernstige blokkade.
Een van de belangrijkste onderdelen van dit werk was het zichtbaar maken van het denken van de computer. De onderzoekers gebruikten een methie die het mogelijk maakt om precies te zien welke factoren de computer richting een specifieke voorspelling voor elke patiënt duwden. Deze transparantie is essentieel omdat ambulancepersoneel en artsen het hulpmiddel moeten kunnen vertrouwen. Ze moeten weten dat de computer niet willekeurig gokt, maar dezelfde klinische bewijzen weegt als een menselijke expert zou doen. De studie toonde aan dat de logica van de computer goed overeenkwam met de medische intuïtie, waarbij de nadruk lag op de ernst van de neurologische defecten en de tijd sinds het begin van de symptomen.
Ondanks het succes van de modellen merkten de onderzoekers op dat de technologie geen magische oplossing is die het probleem volledig oplost. De data toonden aan dat zelfs de beste modellen nog steeds valse alarmen produceren, en dat het aantal patiënten dat de geavanceerde procedure daadwerkelijk nodig heeft relatief klein is in vergelijking met het totaal aantal beroertepatiënten. Dit betekent dat hoewel de computer kan helpen, het de menselijke beoordeling en de bestaande protocollen niet kan vervangen. De studie suggereert dat deze tools het meest nuttig zijn wanneer ze fungeren als een ondersteunende gids, die helpt bij het prioriteren van patiënten en ervoor zorgt dat degenen die de gespecialiseerde behandeling nodig hebben, er zo snel mogelijk aankomen. Het werk dient als een bewijs van concept, dat aantoont dat het mogelijk is om real-world noodgegevens te gebruiken om betrouwbare, begrijpelijke tools te bouwen die op een dag geïntegreerd kunnen worden in de dagelijkse workflow van ambulancepersoneel om meer levens te redden.
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.