Machine learning models for predicting multidrug-resistant organism infections after invasive procedures in intensive care unit patients: a retrospective study based on the MIMIC-IV database
Deze retrospectieve studie, die gebruikmaakte van de MIMIC-IV-database, ontwikkelde en vergeleek vijf machine learning-modellen om infecties door multiresistente organismen bij IC-patiënten die invasieve procedures ondergaan te voorspellen, waarbij het Extreme Gradient Boosting (XGB)-model werd geïdentificeerd als het optimale instrument met een AUC van 0,751 voor vroege risicostratificatie op basis van belangrijke factoren zoals de duur van het verblijf op de IC en antibioticagebruik.
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 door een gigantisch, hightech ziekenhuis loopt, maar in plaats van alleen artsen en verpleegkundigen te zien, zie je een bruisende stad van onzichtbare indringers. Sommige van deze indringers zijn als gewone inbrekers, maar anderen zijn "super-inbrekers" die een harnas dragen waardoor ze immuun zijn voor bijna elk wapen (antibioticum) in het arsenaal van het ziekenhuis. Dit zijn Multidrug-Resistente Organismen, of MDRO's. Ze zijn een nachtmerrie voor patiënten op de Intensive Care Unit (ICU), de meest kritieke buurt van het ziekenhuis. Om de ziekste patiënten te helpen, moeten artsen vaak gebruikmaken van "invasieve procedures"—denk aan deze als speciale instrumenten zoals beademingsslangen, infuuslijnen of katheters die het lichaam binnengaan. Hoewel deze hulpmiddelen levens redden, openen ze ook per ongeluk de voordeur voor de super-inbrekers om naar binnen te sluipen.
De grote vraag waar wetenschappers zich al een tijdje over buigen is: "Hoe kunnen we voorspellen welke patiënten aangevallen gaan worden door deze super-inbrekers voordat het gebeurt?" Lange tijd gebruikten artsen eenvoudige checklists, zoals het kijken naar een paar basiskenmerken om het gevaar in te schatten. Maar het menselijk lichaam is een complexe machine, en de relatie tussen de geschiedenis van een patiënt, hun bloedonderzoek en de hulpmiddelen die zij gebruiken, is als een ingewikkelde knoop van spaghetti die eenvoudige checklists niet kunnen ontwarren. Hier komt een nieuw soort detective aan te pas: Machine Learning. Denk aan Machine Learning als een superintelligent computerbrein dat miljoenen medische dossiers kan lezen, verborgen patronen kan ontdekken die mensen missen, en kan leren van zijn fouten om beter te worden in het voorspellen van de toekomst. Als we een echt goede "super-detective" kunnen bouwen, kunnen we artsen vroegtijdig waarschuwen, zodat ze de deuren kunnen vergrendelen en de meest kwetsbare patiënten kunnen beschermen.
Deze studie gaat over het bouwen van die super-detective. De onderzoekers, werkend met een enorme digitale bibliotheek van medische dossiers genaamd MIMIC-IV (die gegevens bevat van meer dan 60.000 eerdere ICU-patiënten), besloten om vijf verschillende soorten machine learning-modellen te testen. Ze wilden zien welk model het beste was in het voorspellen of een patiënt met invasieve hulpmiddelen een MDRO-infectie zou krijgen. Ze voerden de computer gegevens over alles, van de leeftijd en bloeddruk van de patiënt tot hoe lang ze in de ICU verbleven en hoeveel uur ze antibiotica kregen.
Na het trainen van deze digitale breinen ontdekten de onderzoekers dat één model, genaamd "XGB" (kort voor Extreme Gradient Boosting), de duidelijke winnaar was. Het was als de sterspeler op een sportteam, die de andere vier modellen overtrof. Dit XGB-model behaalde een score van 0,751 op een schaal waarbij hoger beter is, wat betekent dat het behoorlijk goed was in het opsporen van gevaar. Het gokte niet zomaar willekeurig; het leerde aandacht te besteden aan specifieke aanwijzingen. Het model ontdekte dat de grootste rode vlaggen voor een infectie waren: hoe lang een patiënt in de ICU verbleef, het totale aantal uren dat ze antibiotica kregen, of ze een centrale lijn (een speciale infuuslijn in de nek) hadden ingebracht, hun ernstscore (een getal dat aangeeft hoe ziek ze zijn) en hun leeftijd.
De onderzoekers stopten niet bij "de computer had gelijk." Ze wilden weten waarom de computer dat dacht. Met behulp van een speciaal hulpmiddel genaamd SHAP hebben ze de lagen van het model afgepeld om het denkproces te bekijken. Ze ontdekten dat naarmate een patiënt langer in de ICU verbleef en meer uren antibiotica kreeg, het risico op infectie groter werd. Het is alsof het model heeft geleerd dat te lang in het ziekenhuis blijven en te veel antibiotica slikken de natuurlijke afweer van het lichaam verzwakt, waardoor het makkelijker wordt voor de super-inbrekers om binnen te dringen. Interessant genoeg merkte het model ook op dat hogere niveaus van hemoglobine (een eiwit in het bloed dat zuurstof transporteert) het risico juist leken te verlagen, wat een beetje als een schild fungeerde.
De auteurs waarschuwen echter dat dit nog geen toverstaf is die alles oplost. Ze geven toe dat hun "super-detective" is getraind op gegevens van slechts één ziekenhuissysteem, dus het kan extra training nodig hebben om perfect te werken in verschillende delen van de wereld of bij verschillende groepen mensen. Bovendien komen infecties relatief minder vaak voor dan niet-infecties, waardoor het model soms een paar gevallen mist, hoewel het nog steeds erg goed is in zijn werk. De studie suggereert dat dit XGB-model een krachtig nieuw hulpmiddel kan zijn dat artsen kan helpen bepalen wie extra bescherming nodig heeft, maar het moet in de echte wereld getest worden in veel verschillende ziekenhuizen voordat het een standaard onderdeel van de dagelijkse zorg kan worden. Voor nu is het een veelbelovende stap richting het gebruik van slimme computers om onze ziekste patiënten te beschermen tegen de onzichtbare super-inbrekers.
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.