A machine learning-based predictive model for portal hypertension combined with gastrointestinal bleeding in children
Deze studie heeft een op Random Forest gebaseerd machine learning-model ontwikkeld en gevalideerd met behulp van zes belangrijke klinische indicatoren om het risico op gastro-intestinale bloedingen bij kinderen met portale hypertensie nauwkeurig te voorspellen, waarbij een superieure prestatie werd aangetoond vergeleken met andere 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
Stel je het menselijk lichaam voor als een bruisende, hoogtechnologische stad. In deze stad voert een enorme rivier, de poortader, een constante stroom aan voorraden (bloed) naar de lever, die fungeert als de centrale verwerkingsinstallatie die gifstoffen filtert en energie opslaat. Soms raakt de rivier echter geblokkeerd of raakt de verwerkingsinstallatie verstopt. Wanneer dit gebeurt, bouwt de waterdruk gevaarlijk hoog op, net als een dam die op het punt staat te breken. In de medische wereld wordt deze gevaarlijke druk portale hypertensie genoemd.
Wanneer de druk te hoog wordt, probeert de rivier nieuwe, kleinere paden te vinden om rond de blokkade te stromen. Deze nieuwe paden zijn als zwakke, overvolle zijstraten die gemakkelijk kunnen openscheuren en een overstroming kunnen veroorzaken. In het lichaam zijn deze "zijstraten" gezwollen aders in de maag en de slokdarm. Als deze openscheuren, leidt dat tot een ernstig evenement dat bekend staat als een gastro-intestinale (GI) bloeding. Hoewel artsen manieren hebben om deze druk te meten, omvat de meest nauwkeurige methode een lastige, invasieve procedure die niet altijd eenvoudig uit te voeren is, vooral bij kinderen. Daarom is de grote vraag voor wetenschappers geweest: Kunnen we een "weersvoorspelling" bouwen met behulp van eenvoudige, niet-invasieve aanwijzingen om te voorspellen wanneer er een overstroming aankomt, zodat we dit kunnen stoppen voordat het gebeurt?
Dit is precies de missie van een nieuwe studie van het Children's Hospital of Chongqing Medical University. De onderzoekers behandelden de medische dossiers van 308 kinderen met portale hypertensie als een gigantische schatkaart, zoekend naar de specifieke aanwijzingen die een hoog risico op bloedingen signaleren. In plaats van te gissen, gebruikten ze krachtige computerprogramma's — denk aan super slimme detectives getraind in machine learning — om door de gegevens te spitten. Deze computerdetectives keken naar 28 verschillende potentiële aanwijzingen, variërend van bloedtestwaarden tot het type leverziekte dat het kind had.
De computerdetectives gebruikten een speciaal rankingsysteem om te bepalen welke aanwijzingen het belangrijkst waren. Na het verwerken van de cijfers ontdekten ze dat zes specifieke indicatoren de "gouden sleutels" waren voor het voorspellen van een bloeding: het niveau van hemoglobine (dat zuurstof vervoert), AST (een leverenzym), bilirubine (een afvalproduct), bloedplaatjes (bloedcellen die helpen bij het stollen), albumine (een eiwit dat door de lever wordt aangemaakt) en de oorzaak van het leverprobleem (specifiek of de blokkade vóór de lever lag, bekend als "prehepatisch").
Met deze zes aanwijzingen in de hand, bouwde het team vier verschillende voorspellingsmodellen om te zien welk model de beste detective was. Ze testten deze modellen op een groep kinderen die de modellen nog niet eerder hadden gezien. De resultaten lieten zien dat alle modellen behoorlijk goed waren, maar één model viel op als de kampioen: het Random Forest-model. Dit model had ongeveer 88,8% van de tijd het juiste antwoord en had een score (een AUC genoemd) van 0,927, wat een zeer sterke prestatie is. In eenvoudige woorden betekent dit dat het computermodel, met gebruik van slechts die zes eenvoudige bloedtesten en een diagnose van de oorzaak, met hoge zekerheid aan artsen kan vertellen welke kinderen het grootste risico lopen op een gevaarlijke bloeding.
De studie suggereert dat dit hulpmiddel een gamechanger kan zijn voor artsen. In plaats van uitsluitend te vertrouwen op invasieve procedures of te wachten tot een kind ziek wordt, kunnen clinici deze "digitale weersvoorspelling" gebruiken om patiënten met een hoog risico vroegtijdig te identificeren. Dit zou hen in staat stellen om in te grijpen met preventieve zorg of te beslissen wie echt een nauwere blik met een endoscoop nodig heeft. Hoewel deze studie een kijk vanuit één centrum is op een specifieke groep kinderen en meer testen vereist om zeker te weten dat het overal werkt, biedt het een veelbelovende, niet-invasieve manier om de rivieren van de stad te voorkomen dat ze hun oevers doen breken.
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.