Development and External Validation of a Transparent Regression-Based In-Hospital Mortality Prediction Model for Critically Ill Patients With Liver Cancer Using MIMIC-IV and eICU-CRD

Elk jaar eisen leverkanker miljoenen levens wereldwijd, maar voor een kleinere groep patiënten komt de directe dreiging niet van de tumor zelf, maar van de plotselinge, levensbedreigende complicaties die hen naar een intensive care unit dwingen. Wanneer een patiënt met leverkanker op de IC arriveert, worden artsen geconfronteerd met een moeilijke realiteit: het lichaam faalt vaak in meerdere systemen tegelijk, en de tijdspanne om de juiste beslissingen te nemen is uiterst kort. Om te helpen, vertrouwen medische teams al lang op algemene scoresystemen die meten hoe ziek een patiënt is op basis van vitale functies en orgaanfunctie. Deze brede instrumenten waren echter niet specifiek gebouwd voor de unieke biologie van leverkanker, en ze missen vaak de specifieke waarschuwingssignalen die het meest relevant zijn voor deze groep. De vraag was of er een eenvoudigere, duidelijkere methode ontwikkeld kon worden—één die alleen gebruikmaakt van de informatie die beschikbaar is tijdens de eerste dag van zorg om te voorspellen wie de kans heeft om het ziekenhuisverblijf te overleven.

Een team van onderzoekers zette zich af om precies dat soort instrument te bouwen, met de focus op transparantie en vroege detectie. Ze vertrouwden niet op complexe, verborgen algoritmen die werken als een 'black box', waarbij de redenering achter een voorspelling onmogelijk te zien is. In plaats daarvan construeerden ze een recht evenredig wiskundig model met behulp van gegevens uit twee enorme, publiek beschikbare collecties ziekenhuisgegevens. Eén collectie kwam van een enkel groot ziekenhuis in de Verenigde Staten, terwijl de andere gegevens verzamelde van meer dan tweehonderd ziekenhuizen in het hele land. Door deze bronnen te combineren, kon het team eerst een model bouwen op de ene set patiënten en het vervolgens direct testen op een volledig andere set om te zien of het standhield in de echte wereld. Hun doel was om een systeem te creëren dat elke clinicus zou kunnen begrijpen, waarbij elke factor die wordt gebruikt om een voorspelling te doen, een routineuze meting is die binnen de eerste vierentwintig uur van het verblijf op de IC wordt uitgevoerd.

De onderzoekers begonnen door duizenden volwassen patiënten met leverkanker te bekijken die ten minste één dag op de IC hadden doorgebracht. Ze zochten door een breed scala aan potentiële aanwijzingen, waaronder leeftijd, de aanwezigheid van kanker die naar andere delen van het lichaam was uitgezaaid, en een breed scala aan fysieke metingen zoals hartslag, bloeddruk en zuurstofgehaltes. Ze onderzochten ook bloedtestresultaten die lieten zien hoe goed de lever en de nieren functioneerden. Met behulp van een rigoureus statistisch proces beperkten ze de lijst tot de twaalf belangrijkste factoren die consistent een hoger risico op overlijden signaleerden. Deze factoren omvatten het niveau van bilirubine in het bloed, wat wijst op leverstress; creatinine, een marker voor de nierfunctie; en de temperatuur, hartslag en ademhalingsfrequentie van de patiënt. Ze namen ook het bewustzijnsniveau van de patiënt op, gemeten met een standaard schaal, en of de kanker zich buiten de lever had verspreid.

Toen ze dit twaalf-factorenmodel testten op de eerste groep patiënten, presteerde het zeer goed en maakte het in het overgrote deel van de gevallen correct onderscheid tussen zij die overleefden en zij die dat niet deden. Het model was in staat een risicoscore toe te wijzen die nauw aansloot bij de werkelijke uitkomsten. De echte test voor elk medisch voorspellingsinstrument is echter of het werkt op patiënten die het nog nooit heeft gezien. De onderzoekers pasten hun model vervolgens toe op de tweede, onafhankelijke groep patiënten uit de verschillende ziekenhuizen. Hier waren de resultaten bescheidener, maar nog steeds betekenisvol. Het model was in staat om overlevers van niet-overlevers beter te scheiden dan op basis van toeval, hoewel het niet zo scherp was als in de eerste groep. Deze daling in prestaties komt vaak voor bij de overgang van het ene ziekenhuissysteem naar het andere, aangezien verschillende ziekenhuizen gegevens op iets andere manieren registreren en patiënten met variërende intensiteit behandelen. Het model toonde ook aan dat het de neiging had het risico licht te onderschatten in deze nieuwe groep, wat suggereert dat hoewel het instrument nuttig is, het mogelijk moet worden aangepast voor specifieke lokale omstandigheden voordat het wordt gebruikt om beslissingen in de echte wereld te sturen.

De studie vergeleek hun nieuwe, leverspecifieke model ook met een veelgebruikt algemeen ICU-scoresysteem dat al beschikbaar was in de tweede database. Het algemene systeem, dat niet ontworpen was voor kankerpatiënten, presteerde slecht in deze specifieke groep en slaagde er niet in de nuances van complicaties bij leverkanker te vatten. In tegenstelling hiertoe bood het nieuwe model, ondanks dat het eenvoudiger was en gericht was op slechts de eerste dag van zorg, een duidelijker beeld van het lot van de patiënt. De onderzoekers ontdekten dat de voorspellingen van het model werden gedreven door een logische mix van factoren: hoe meer de lever en de nieren moeite hadden, hoe instabieler de vitale functies werden, en hoe meer de kanker zich had verspreid, hoe hoger het risico op overlijden was. Interessant genoeg merkte het model ook op dat patiënten met een lagere lichaamstemperatuur een hoger risico liepen, een teken dat het lichaam zijn vermogen verliest om zichzelf te reguleren in het licht van ernstige ziekte.

Ondanks deze veelbelovende resultaten benadrukken de auteurs voorzichtig dat dit instrument niet klaar is om het oordeel van een arts te vervangen. De studie was retrospectief, wat betekent dat er werd teruggekeken naar eerdere dossiers in plaats van het model in realtime te testen op levende patiënten. De groep patiënten die voor de tweede test werd gebruikt, was relatief klein, wat het moeilijker maakte om zeker te zijn van de mate waarin het model zijn voorspellingen kon kalibreren. De onderzoekers benadrukken dat hun werk een startpunt is, een transparant kader dat laat zien dat het mogelijk is om een specifieke, begrijpelijke risicocalculator te bouwen voor deze kwetsbare populatie. Voordat een dergelijk model in een ziekenhuis kan worden gebruikt, moet het verder worden getest in grotere groepen en moet het worden afgestemd op de specifieke praktijken van individuele medische centra. Het uiteindelijke doel is niet om de beslissing om een leven te redden te automatiseren, maar om clinici een duidelijk, vroegtijdig waarschuwingssysteem te geven dat hen helpt beter te communiceren met families en middelen toe te wijzen waar ze het hardst nodig zijn.