Development and External Validation of a Dynamic Landmark Model for Predicting Short-term Hypoglycemia Risk in Older Patients with Sepsis in the ICU

In de hooggespannen omgeving van een intensive care-afdeling, waar het lichaam vecht tegen een ernstige infectie die bekend staat als sepsis, is de foutmarge flinterdun. Voor oudere patiënten is de strijd vaak nog precairder. Hun lichamen hebben minder reserves om de stress van ziekte te weerstaan, en de behandelingen die juist bedoeld zijn om hen te redden, kunnen soms een gevaarlijke daling van de bloedsuikerspiegel veroorzaken. Deze conditie, hypoglykemie, is bijzonder verraderlijk bij ouderen omdat de gebruikelijke waarschuwingssignalen, zoals trillen of een hartslag die versnelt, vaak uitblijven. In plaats daarvan kan de patiënt simpelweg verward of delierend raken, symptomen die gemakkelijk kunnen worden aangezien voor de hersenmist die door de infectie wordt veroorzaakt. Tegen de tijd dat een verpleegkundige de verandering opmerkt, kan de patiënt zich al in een crisis bevinden. De uitdaging voor medische teams is om dit gevaar te zien aankomen voordat het toeslaat, door over te gaan van het reageren op een crisis naar het volledig voorkomen ervan.

Om dit aan te pakken, heeft een team onderzoekers van de Hangzhou City University en het Sir Run Run Shaw Hospital in China zich gericht op het bouwen van een digitale tool die in staat is om deze gebeurtenissen met een lage suikerspiegel te voorspellen voordat ze plaatsvinden. Ze richtten zich specifiek op oudere volwassenen met sepsis, een groep die zeer kwetsbaar is maar vaak over het hoofd wordt gezien in eerdere studies. De onderzoekers vertrouwden niet op een enkele momentopname van de gezondheid van een patiënt. In plaats daarvan creëerden ze een systeem dat het risico constant opnieuw evalueert, waarbij de toestand van de patiënt elke paar uur bekijkt om te zien of het gevaar toeneemt. Ze trainden hun systeem met behulp van een enorme collectie medische dossiers uit de Verenigde Staten, waarbij bijna 10.000 IC-opnames betrokken waren, en testten het vervolgens op een volledig aparte groep patiënten uit een ziekenhuis in China om te garanderen dat het werkte in een andere setting.

Het resultaat is een dynamisch voorspellingsmodel dat fungeert als een continu bewakingssysteem voor de bloedsuikerspiegel. De onderzoekers voerden de computer een enorme hoeveelheid informatie die op elk gegeven moment beschikbaar is, waaronder het gewicht van de patiënt, hun geschiedenis met diabetes, hoeveel insuline zij hebben ontvangen en hun nierfunctie. Cruciaal was dat het systeem nauwlettend aandacht besteedde aan de recente geschiedenis van de bloedsuikerspiegel van de patiënt, waarbij keek naar de laagste niveaus die in de afgelopen zes uur zijn geregistreerd en hoeveel die niveaus fluctueerden. Het merkte ook een subtiel maar belangrijk detail op: als de bloedsuiker van een patiënt niet recent was gecontroleerd, markeerde het model dit gat als een risicofactor, wat suggereerde dat het gebrek aan gegevens zelf een probleem kon verbergen.

Na het testen van zes verschillende soorten computeralgoritmen, ontdekte het team dat één specifieke methode, bekend als LightGBM, het beste presteerde. Dit model leerde patronen te herkennen die menselijke waarnemers mogelijk missen, zoals de specifieke combinatie van een recente lage bloedsuikerwaarde, een hoge dosis insuline en een patiënt die ondergewicht heeft. In hun initiële tests was het model opmerkelijk accuraat in het onderscheiden tussen patiënten die stabiel zouden blijven en patiënten die binnen de volgende zes uur in hypoglykemie zouden zakken. Toen de onderzoekers ditzelfde model toepasten op de onafhankelijke groep patiënten in China, behield het zijn vermogen om te differentiëren tussen een hoog en laag risico, wat bewees dat de geleerde patronen niet slechts een toevalstreffer waren van de eerste dataset, maar een echte biologische realiteit weerspiegelden.

De studie identificeerde de meest kritieke factoren die deze voorspellingen aansturen. De sterkste signalen kwamen van de meest recente glucosewaarden en de laagste niveaus die in de voorafgaande zes uur werden gezien. De totale hoeveelheid toegediende insuline in diezelfde periode was ook een belangrijke voorspeller, evenals het lichaamsgewicht van de patiënt. Interessant genoeg vond het model dat de afwezigheid van een recente bloedsuikermeting een significante waarschuwing was, waarschijnlijk omdat dit wijst op een gat in de monitoring waar een snelle daling onopgemerkt zou kunnen blijven. Andere factoren, zoals de ernst van het orgaanfalen van de patiënt en hun nierfunctie, speelden ook een rol, wat een beeld schetst van een lichaam dat worstelt om zijn interne balans te behouden.

Om deze ontdekking bruikbaar te maken voor de mensen aan het front, bouwden de onderzoekers een eenvoudige, webgebaseerde calculator. Een verpleegkundige of arts kan de huidige waarden voor de elf sleutelfactoren invoeren, en de tool geeft direct een geschatte kans op een gebeurtenis met een lage bloedsuikerspiegel in de volgende zes uur. Dit is geen vervanging voor klinische beoordeling, maar een beslissingsondersteunende tool die is ontworpen om verpleegkundigen te helpen hun aandacht te prioriteren. Als de calculator een hoog risico aangeeft, kan het team ervoor kiezen om de bloedsuiker van de patiënt vaker te controleren of het behandelplan proactief aan te passen. De onderzoekers benadrukken dat hoewel het model veelbelovend is, het nog niet in de praktijk in real-time is getest om te zien of het de uitkomsten voor patiënten daadwerkelijk verbetert. Echter, door de focus te verschuiven van het reageren op een crisis naar het anticiperen op een crisis, biedt dit werk een nieuwe manier om sommige van de meest kwetsbare patiënten in het ziekenhuis te beschermen, door ruwe data om te zetten in een schild tegen een stille en gevaarlijke complicatie.