Explainable machine learning for clinical phenotyping and mortality prediction in critically ill patients with cancer
Deze multicenter retrospectieve studie maakte gebruik van de MIMIC-IV en eICU databases om vier onderscheidende klinische fenotypes te identificeren en een verklaarbaar XGBoost-model te ontwikkelen dat effectief de vroege in-hospital mortaliteit bij kritiek zieke kankerpatiënten voorspelt met behulp van de eerste 24 uur aan routinematig beschikbare klinische gegevens.
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
Wanneer een persoon met kanker geconfronteerd wordt met een plotselinge, levensbedreigende crisis op de intensive care, staat het medische team voor een moeilijke puzzel. Deze patiënten vormen geen homogene groep; ze arriveren met verschillende soorten tumoren, variërend in fysieke kracht en unieke reacties op hun behandelingen. Vanwege deze diversiteit schieten de standaardinstrumenten die worden gebruikt om te meten hoe ziek een patiënt is, vaak tekort in het voorspellen van wie zal overleven en wie niet. Deze traditionele instrumenten gaan ervan uit dat het lichaam op ziekte reageert in een rechte, voorspelbare lijn, maar de realiteit voor kankerpatiënten is veel complexer. Hun lichamen vechten tegelijkertijd tegen de kanker, de bijwerkingen van de behandeling en de acute crisis. Clinici hebben een manier nodig om door deze complexiteit heen te snijden om te identificeren welke patiënten waarschijnlijk zullen herstellen met intensieve zorg en welke zich aan het einde van hun leven bevinden, zodat middelen verstandig worden ingezet en families eerlijke begeleiding krijgen.
Om dit op te lossen, richtten onderzoekers van het Weifang People's Hospital zich op een enorme collectie medische dossiers uit de echte wereld van meer dan 24.000 kritiek zieke kankerpatiënten in de Verenigde Staten. Ze vroegen artsen niet om patronen te raden; in plaats daarvan lieten ze een computerprogramma de patiënten indelen op basis van de data zelf. Met behulp van een methode genaamd unsupervised clustering, keek de computer naar 28 routinematige metingen die tijdens de eerste 24 uur van het verblijf van een patiënt werden genomen, zoals hartslag, ademhalingssnelheid en bloedtestresultaten. Zonder menselijke instructies over waar naar te zoeken, ontdekte het algoritme vier duidelijke typen patiënten. De eerste groep was groot en relatief stabiel, met milde tekenen van stress en een laag risico op overlijden in het ziekenhuis. De volgende twee groepen vertoonden toenemende niveaus van orgaanbelasting en een gemiddeld risico op overlijden. De laatste groep was de kleinste, maar ook de gevaarlijkste; deze patiënten bevonden zich in een staat van ernstig multi-orgaanfalen, waarbij ze zwaar afhankelijk waren van machines om te ademen en medicijnen om de bloeddruk op peil te houden, met een mortaliteit die de 50 procent benaderde. Deze ontdekking suggereert dat er zelfs binnen een chaotische mix van kankerpatiënten duidelijke patronen van achteruitgang bestaan die vroegtijdig kunnen worden opgemerkt.
De onderzoekers bouwden vervolgens een nieuw soort voorspellingsinstrument om te voorspellen wie zou overleven. Ze gebruikten een krachtig type machine learning genaamd XGBoost, dat ontworpen is om complexe, niet-lineaire relaties in data te verwerken, in tegen tegenover de oudere scoresystemen die vertrouwen op eenvoudige, lineaire wiskunde. De computer leerde van de eerste groep patiënten en werd vervolgens getest op een volledig andere groep uit verschillende ziekenhuizen om te zien of het in de echte wereld stand zou houden. Het resultaat was een model dat aanzienlijk beter presteerde dan de standaard ernstscores die momenteel in ziekenhuizen worden gebruikt. Het maakte met een hoge mate van nauwkeurigheid correct onderscheid tussen overlevers en niet-overlevers, wat bewees dat het de subtiele, ingewikkelde manieren kon leren waarop de lichamen van deze patiënten faalden.
Cruciaal was dat het team niet stopte bij een "black box"-voorspelling die simpelweg een getal gaf. Ze gebruikten een techniek genaamd SHAP om de box te openen en uit te leggen waarom de computer zijn beslissingen nam. Deze analyse onthulde dat de belangrijkste factoren die de voorspelling van de dood dreven, niet alleen de kanker zelf waren, maar specifieke tekenen van de strijd van het lichaam: hoge niveaus van bloedureumstikstof, snelle ademhaling, de noodzaak voor mechanische ventilatie en het gebruik van medicijnen om de bloeddruk te ondersteunen. De uitleg liet ook zien dat deze risico's niet in een rechte lijn stijgen. Bijvoorbeeld, de ademhalingssnelheid van een patiënt kan licht toenemen zonder direct gevaar, maar zodeweg deze een bepaalde drempel overschrijdt, springt het risico op overlijden scherp omhoog. Evenzo kunnen bloedureumstikstofniveaus aanvankelijk beheersbaar zijn, maar ze signaleren een veel ernstiger crisis zodra ze een hoger bereik bereiken. Deze bevindingen bieden artsen een duidelijker beeld van de kantelpunten waarop de toestand van een patiënt verschuift van beheersbaar naar kritiek.
Hoewel de studie een veelbelovende nieuwe manier biedt om de uitkomsten voor deze kwetsbare patiënten te begrijpen en te voorspellen, merken de auteurs er voorzichtig bij op dat dit een startpunt is, en geen definitieve oplossing. Het model is gebouwd op data uit Noord-Amerikaanse ziekenhuizen en vertrouwt op informatie die beschikbaar is binnen de eerste dag van opname. Het houdt nog geen rekening met specifieke genetische details van de tumoren of de volledige geschiedenis van de kankerbehandeling van een patiënt. De onderzoekers suggereren dat dit instrument er uiteindelijk bij kan helpen om klinische teams te voorzien van meer geïnformeerde gesprekken met families over behandeldoelen, waardoor zinloze zorg voor degenen die te ziek zijn om te herstellen wordt vermeden, terwijl wordt gewaarborgd dat degenen die er baat bij kunnen hebben, die zorg ook daadwerkelijk ontvangen. Het werk demonstreert dat door naar de data te luisteren in plaats van deze in oude categorieën te dwingen, de geneeskunde kan beginnen met het zien van de ware, complexe aard van kritieke ziekte bij kankerpatiënten.
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.