An Explainable Prediction Model for Delayed-Onset Delirium in Critically Ill Patients With Ischemic Stroke: Development and Internal Validation Using the MIMIC-IV Database
Deze studie heeft een verklaarbaar logistisch regressiemodel ontwikkeld en intern gevalideerd, gebruikmakend van zeven routinematig beschikbare klinische variabelen uit de eerste 24 uur van IC-opname, om het laat optredende delirium bij kritiek zieke patiënten met een ischemische beroerte effectief te voorspellen, waarbij een prestatie werd behaald die vergelijkbaar is met complexe machine learning-algoritmen.
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
Op de intensive care vecht het lichaam vaak een oorlog op meerdere fronten uit. Wanneer een patiënt een beroerte ondergaat, is de hersenen het primaire slachtoffer, maar de schokgolven rimpelen door het hele systeem en beïnvloeden het hart, de longen, de nieren en het metabolisme. In deze kwetsbare staat zijn de hersenen vatbaar voor een plotselinge en verwarrende verandering in de mentale toestand, bekend als delirium. In tegenstelling tot een beroerte, wat een vaste beschadiging is, is delirium een fluctuerende storm van verwarring, onoplettendheid en een veranderd bewustzijn. Het is een veelvoorkomende complicatie die het herstel moeilijker kan maken, ziekenhuisopnames kan verlengen en het risico op overlijden kan vergroten. Voor artsen is het vroegtijdig opsporen van delirium moeilijk omdat de instrumenten die worden gebruikt om het te diagnosticeren vaak een patiënt vereisen die wakker is en opdrachten kan opvolgen—precies de dingen die een kritiek zieke patiënt met een beroerte mogelijk niet kan doen. De uitdaging is dan om een manier te vinden om dit risico te zien voordat de verwarring daadwerkelijk intreedt, gebruikmakend van alleen de routineuze tekenen en signalen die al worden gemonitord tijdens de eerste dag van het verblijf van een patiënt.
Een team van onderzoekers zette zich scharpe om dit probleem op te lossen door een nieuw soort voorspellingsinstrument te bouwen. Ze wenden zich tot een enorme, geanonimiseerde collectie medische dossiers uit een database genaamd MIMIC-IV, die gedetailleerde informatie bevat van duizenden patiënten die gedurende vele jaren in intensive care-afdelingen zijn behandeld. Ze richtten zich specifiek op volwassenen die werden opgenomen voor een ischemische beroerte, een type beroerte veroorzaakt door een geblokkeerde bloedvat. Hun doel was om een model te creëren dat de gegevens verzameld tijdens de eerste vierentwintig uur van het verblijf van een patiënt op de IC kon analyseren en kon voorspellen of die patiënt later delirium zou ontwikkelen. Om ervoor te zorgen dat de voorspelling eerlijk en niet bevooroordeeld was, sloten ze strikt iedereen uit die binnen die eerste dag tekenen van delirium vertoonde, waarbij ze zich alleen concentreerden op nieuwe gevallen die na de initiële periode verschenen. Ze sloten ook patiënten uit die geen geldige verslagen hadden van mentale statuscontroles, om er zeker van te zijn dat de uitkomst gebaseerd was op solide bewijs in plaats van gokwerk.
De onderzoekers verzamelden een breed scala aan informatie die beschikbaar was op de eerste dag, waaronder vitale functies zoals hartslag en bloeddruk, laboratoriumresultaten zoals bloedsuikerspiegel en nierfunctie, en details over behandelingen zoals of de patiënt aan een beademingsapparaat lag of antibiotica kreeg. Ze voedden deze informatie aan zeven verschillende wiskundige benaderingen, variërend van eenvoudige statistische methoden tot complexe computeralgoritmen die de manier waarop het menselijk brein leert nabootsen. Ze testten deze modellen om te zien welke het beste patiënten die delirium zouden ontwikkelen kon onderscheiden van patiënten die dat niet zouden doen. De resultaten toonden aan dat een relatief eenvoudige methode, bekend als logistische regressie, net zo goed presteerde als de meer ingewikkelde, hoogtechnologische algoritmen. Dit eenvoudigere model bereikte een hoog niveau van nauwkeurigheid, waarbij het de overgrote meerderheid van de patiënten die geen delirium zouden ontwikkelen correct identificeerde, terwijl het nog steeds meer dan de helft van hen die het wel zouden ontwikkelen, wist te vangen.
Het uiteindelijke model dat uit dit proces voortkwam, vertrouwde op slechts zeven specifieke stukken informatie om zijn voorspelling te doen. De krachtigste signalen waren of de patiënt antibiotica kreeg, de ernst van hun nierletsel, of zij aan een mechanische ventilator lagen om te helpen ademhalen, en een algemene score die meet hoeveel van hun organen falen. Het model keek ook naar de bloedsuikerspiegels van de patiënt, de balans tussen zuren en basen in hun bloed, en een specifieke maatstaf voor hoe goed hun nieren afvalstoffen filterden. Wanneer de onderzoekers analyseerden waarom het model de keuzes maakte die het maakte, vonden ze dat deze zeven factoren de belangrijkste drijfveren waren. Bijvoorbeeld, het gebruik van antibiotica signaleerde vaak een onderliggende infectie, wat een bekende trigger is voor hersenverwarring. Evenzo gaven nierproblemen en de noodzaak voor een beademingsapparaat aan dat het lichaam onder zware stress stond, wat een perfecte storm creëerde waarin delirium kon toeslaan.
Wat dit werk bijzonder waardevol maakt, is dat het geen dure nieuwe tests of complexe technologie vereist. Alle gegevenspunten die door het model worden gebruikt, maken deel uit van de standaardzorg die aan patiënten wordt gegeven op de intensive care. De onderzoekers ontdekten dat het risico op delirium niet alleen gaat over de hersenbeschadiging zelf, maar diep verbonden is met hoe de rest van het lichaam reageert op de crisis. Het model suggereert dat wanneer een patiënt met een beroerte arriveert met tekenen van infectie, nierbelasting of de noodzaak voor ademhalingsondersteuning, het risico op het ontwikkelen van verwarring later aanzienlijk hoger is. Dit inzicht stelt artsen in staat om patiënten met een hoog risico vroegtijdig te identificeren, wellicht al binnen de eerste dag van opname, en voor te bereiden op intensiever toezicht of preventieve maatregelen voordat de delirium daadwerkelijk begint.
De onderzoekers merken echter voorzichtig op dat dit instrument nog niet klaar is om in elk ziekenhuis te worden gebruikt. Het model is gebouwd en getest met behulp van gegevens uit een enkele database, en het is nog niet bewezen te werken in verschillende ziekenhuizen of bij verschillende patiëntenpopulaties. De studie vertrouwde ook op gegevens die al in het systeem stonden, wat betekent dat sommige details over de ernst van de beroerte of de specifieke diepte van sedatie niet waren opgenomen. De auteurs benadrukken dat, hoewel het model een veelbelovende stap voorwaarts is, het moet worden beschouwd als een manier om patiënten te signaleren die extra aandacht nodig hebben, en niet als een vervanging voor het zorgvuldige oordeel van een arts. Voordat dit instrument een standaard onderdeel van de patiëntenzorg kan worden, moet het in de echte wereld worden getest in meerdere centra om te waarborgen dat het voor iedereen betrouwbaar werkt. Tot die tijd staat het als een duidelijk bewijs dat de tekenen van toekomstige verwarring vaak voor het op het oog liggen, wachtend om gelezen te worden door de juiste set ogen.
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.