Predicting Positive Blood Cultures Early in Hospitalization Using Time Locked Electronic Health Record Data
Deze studie toont aan dat een tijdgebonden machine learning-model met behulp van gegevens uit elektronische patiëntendossiers effectief het risico op positieve bloedkweken binnen 24 uur na ziekenhuisopname kan voorspellen, wat prioritering van patiënten voor vroege interventie mogelijk maakt voordat de definitieve resultaten beschikbaar zijn.
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
Ziekenhuizen zijn plaatsen waar de afweer van het lichaam vaak al verzwakt is, en wanneer een patiënt een ernstige infectie ontwikkelt die zich via de bloedbaan verspreidt, zijn de belangen enorm groot. Om de specifieke kiem te vinden die de ziekte veroorzaakt, trekken artsen bloed af en sturen dit naar een laboratorium om de bacteriën of schimmels te kweken, een proces dat bekend staat als een bloedkweek. Deze test is de gouden standaard voor het diagnosticeren van levensbedrender infecties, maar heeft een frustrerende tekortkoming: het overgrote deel van deze tests komt negatief terug, waarbij er geen groei wordt waargenomen. Soms is het bloed werkelijk schoon, maar vaak slaagt de test er niet in om de kiem te vangen, of is het monster per ongeluk gecontamineerd door huidbacteriën tijdens de afname. Wanneer een kweek wel positief uitvalt, is dat een cruciaal moment dat onmiddellijke aandacht vereist, maar omdat de meeste resultaten negatief zijn, moeten medische teams elke monster met hetzelfde niveau van voorzichtigheid behandelen, wat middelen kan belasten en de zorg voor de weinige patiënten die het echt nodig hebben kan vertragen. De uitdaging is dan ook niet om te beslissen wie een test moet krijgen, maar om direct nadat het bloed is afgenomen te achterhalen welke monsters het meest waarschijnlijk een gevaarlijk pathogeen zullen onthullen, zodat de juiste mensen geprioriteerd kunnen worden voor snellere resultaten en behandeling.
Een team onderzoekers van Brown University Health zette zich in om dit specifieke probleem op te lossen door een computermodel te bouwen dat fungeert als een slim filter voor bloedkultuurresultaten. Ze keken naar gegevens van meer dan 51.000 ziekenhuisopnames waarbij bloedkultures werden afgenomen binnen het eerste dag van het verblijf van een patiënt. De onderzoekers trainden een machine learning-systeem om de informatie te analyseren die beschikbaar was in het elektronisch patiëntendossier op het exacte moment dat het bloed werd afgenomen. Deze informatie omvatte de leeftijd van de patiënt, de medische geschiedenis, of de patiënt op de intensive care lag, welke medicijnen recentelijk waren toegediend, en de huidige vitale functies en bloedtestresultaten. Cruciaal was dat het model "tijdgebonden" was ontwor Eng, wat betekent dat het alleen feiten kon gebruiken die bestonden voordat de naald de ader raakte, om te voorkomen dat het laboratoriumresultaten zou gebruiken voordat deze gereed waren. Het doel was om te zien of de computer patronen in de data kon herkennen die menselijke artsen wellicht zouden missen, om zo te voorspellen welke patiënten het hoogste risico liepen op een echte infectie.
De studie toonde aan dat het model goed functioneerde bij het scheiden van de waarschijnlijke infecties van de negatieve resultaten. In de groep patiënten die het model nog nooit eerder had gezien, identificeerde het succesvol een kleine groep risicopatiënten. Hoewel slechts ongeveer vier procent van alle bloedkultures in de studie positief bleek te zijn, waren de voorspellingen van het model veel nauwkeuriger wanneer de focus op de topkeuzes lag. Onder de één procent van de patiënten die het model als het hoogst risico markeerde, had bijna dertig procent daadwerkelijk een positieve kweek. Zelfs onder de top vijf procent van de voorspelde risico's steeg het percentage positieve resultaten naar bijna twintig procent. Dit betekent dat het hulpmiddel de kans om een echte infectie te vinden effectief met drie of vier keer kon vergroten als medische teams hun onmiddellijke aandacht op deze specifieke patiënten zouden richten. De krachtigste aanwijzing die het model gebruikte, was een simpel stukje geschiedenis: of de patiënt in het verleden een positieve bloedkultuur had gehad. Patiënten met een geschiedenis van bloedbaaninfecties hadden veel meer kans om er opnieuw een te krijgen. Echter, zelfs toen de onderzoekers deze geschiedenis uit het model verwijderden, presteerde het systeem nog steeds goed, door te vertrouwen op andere signalen zoals recente ziekenhuisopnames, het type opname, en specifieke afwijkingen in de bloedchemie zoals een laag aantal bloedplaatjes of hoge niveaus van afvalstoffen in het bloed.
De onderzoekers testten ook hoe robuust hun bevindingen waren door de regels van het spel te veranderen. Ze controleerden of het model simpelweg telde hoe vaak een test werd aangevraagd, of dat het werkelijk iets leerde over de conditie van de patiënt. Ze ontdekten dat het succes van het model niet afhankelijk was van het aantal bestelde tests, maar van het werkelijke klinische beeld. Ze bevestigden ook dat het model accuraat bleef, zelfs wanneer ze alleen naar het eerste ziekenhuisbezoek van een patiënt keken of wanneer ze patiënten uitsloten die zeer snel stierven, wat suggereert dat het hulpmiddel stabiel en betrouwbaar is in verschillende scenario's. De studie beweerde niet dat dit model artsen zou vervangen of dat het infecties zou kunnen voorspellen bij patiënten die nooit een bloedtest krijgen afgenomen. In plaats daarvan presenteren de auteurs het als een praktisch hulpmiddel voor "diagnostic stewardship", een concept dat inhoudt dat middelen verstandig worden gebruikt. Door deze computer score te gebruiken om welke bloedmonsters als eerste door het laboratorium bekeken moeten worden of direct door infectieziekte-specialisten beoordeeld moeten worden, zouden ziekenhuizen potentieel de behandeling voor de ziekste patiënten kunnen versnellen zonder tijd te verspillen aan de vele monsters die negatief zullen blijken te zijn.
Dit werk vertegenwoordigt een verschuiving in de manier waarop ziekenhuizen de vloed aan data die zij dagelijks genereren, kunnen beheren. In plaats van elke bloedkultuur als een gelijkwaardig mysterie te behandelen dat met hetzelfde tempo moet worden opgelost, suggereert de studie dat een digitale assistent de werklast kan helpen triëren, door de gevallen te highlighten waar de kans op een ernstige infectie het grootst is. Het model is geen kristallen bol, en de onderzoekers benadrukken dat het in andere ziekenhuizen getest moet worden om te garanderen dat het werkt in andere omgevingen met andere patiëntenpopulaties. Maar de kernbevinding is duidelijk: door de informatie die beschikbaar is op het moment dat een bloedmonster wordt genomen zorgvuldig te analyseren, is het mogelijk om een kleine groep patiënten te identificeren die veel grotere kans hebben op een gevaarlijke infectie dan de gemiddelde persoon, waardoor het medische systeem zijn meest urgente inspanningen kan richten waar ze het hardst nodig zijn.
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.