An Interpretable Machine Learning Framework for Predicting Disease Progression in Early-Stage Cardiovascular-Kidney-Metabolic(CKM) Syndrome: A Prospective Cohort Study

Het verstrengelde web van het lichaam: Waarom één probleem vaak tot een ander leidt

Stel je je lichaam voor als een bruisende stad. In deze stad is het hart de elektriciteitscentrale, zijn de nieren de waterzuiveringsinstallatie en is je metabolisme het verkeersleidingssysteem dat de energiestroom soepel houdt. Lange tijd behandelden artsen problemen in deze gebieden als afzonderlijke noodgevallen: een verstopt pijpje hier, een kapotte generator daar. Maar onlangs realiseerden wetenschappers zich dat deze systemen zo diep met elkaar verbonden zijn dat een storing in het ene systeem bijna altijd een domino-effect veroorzaakt in de andere. Deze verstrengelde chaos wordt het Cardiovasculair-Nier-Metabool (CKM) syndroom genoemd. Denk eraan als een stadbrede verkeersopstopping waarbij één stilstaande auto uiteindelijk de elektriciteitscentrale kan blokkeren en de waterzuiveringsinstallatie kan overstromen.

De grote vraag waar onderzoekers antwoord op proberen te vinden is: "Kunnen we voorspellen welk deel van de stad als volgende vastloopt?" Artsen hebben hulpmiddelen om mensen te spotten die al in grote problemen zitten, maar ze worstelen met het zien van de waarschuwingssignalen bij mensen die net beginnen zich een beetje "niet lekker" te voelen. Dit is vooral lastig omdat de vroege stadia van dit syndroom lijken op een tijdbom die voor verschillende mensen met verschillende snelheden tikt. Als we een kristallen bol konden bouwen om ons te vertellen wie er waarschijnlijk snel slechter van wordt, zouden we vroeg kunnen ingrijpen en het verkeer kunnen oplossen voordat de hele stad vastloopt. Dat is precies wat deze studie van plan was: een slimme, computergestuurde kristallen bol bouwen om de toekomst van de gezondheid van het lichaam te voorspellen.

---

De kristallen bol die daadwerkelijk de waarheid spreekt

Een team van onderzoekers besloot een "slimme kristallen bol" te bouwen met behulp van een enorme dataset uit de China Health and Retirement Longitudinal Study (CHARLS). Ze keken naar 3.773 volwassenen van 45 jaar en ouder die zich in de vroege, omkeerbare stadia van het CKM-syndroom bevonden. Ze wilden zien wie er over de volgende vier jaar slechter van zou worden. De resultaten waren verbijsterend: over die periode van vier jaar verslechterde de toestand van meer dan 1.560 mensen (dat is 41,3% van de groep) naar een ernstiger stadium. Dit is een enorme sprong, veel sneller dan wat onderzoekers in westerse studies hebben gezien, wat suggereert dat deze aandoening voor middelbare en oudere volwassenen in China ongelooflijk instabiel is en snel verloopt.

Om te voorspellen wie er slechter van zou worden, trainden de onderzoekers niet zomaar een gok; ze trainden zes verschillende soorten computer-"hersenen" (machine learning-modellen) op de data. Ze gaven deze modellen een lijst met aanwijzingen, zoals leeftijd, BMI (lichaamsindex), bloeddruk, bloedsuiker (HbA1c) en nierfunctie. In eerste instantie leek één model genaamd CatBoost de superster te zijn, omdat het het beste was in het sorteren van mensen in de groepen "wordt slechter" en "wordt niet slechter". Het had de hoogste score voor nauwkeurigheid, ook wel bekend als de AUC (0,772).

Maar hier komt de wending: de onderzoekers realiseerden zich dat goed zijn in het sorteren niet genoeg is als het model liegt over hoe waarschijnlijk iets is om te gebeuren. Stel je een weer-app voor die zegt dat er 90% kans is op regen, maar het regent slechts 10% van de tijd. Die app is goed in "discriminatie" (het weet dat het kan regenen), maar het is slecht in "kalibratie" (het heeft het mis over de kansen). Het CatBoost-model was overmoedig en voorspelde extreme risico's die niet overeenkwamen met de werkelijkheid.

Daarom koos het team voor een ander model: Random Forest. Hoewel dit model iets minder "scherp" was in het sorteren van mensen (AUC van 0,761), was het veel beter in het vertellen van de waarheid over de kansen. De voorspellingen waren stabiel en betrouwbaar, zoals een weer-app die zegt "50% kans op regen" en het ook daadwerkelijk de helft van de tijd regent. De onderzoekers kozen dit model omdat het in de geneeskunde beter is om betrouwbaar accuraat te zijn dan om flitsend maar fout te zijn.

Het "plafondprobleem" en de inverse verrassing

Toen het team hun nieuwe, betrouwbare kristallen bol gebruikte om naar specifieke groepen te kijken, ontdekten ze iets vreemds en belangrijks. Voor mensen in de zeer vroege stadia (Stadium 0 en Stadium 1) liep het model tegen een "voorspellend plafond" aan. Het kon het verschil tussen degenen die het slechter zouden krijgen en degenen die dat niet zouden krijgen niet goed onderscheiden. Waarom? Omdat in deze vroege stadia bijna iedereen het slechter kreeg (meer dan 70% van de mensen in deze groepen verslechterde). Het is als proberen te voorspellen welke van de 100 mensen in een race zullen struikelen wanneer 75 van hen al aan het struikelen zijn. Het model kon de weinige gelukkigen die stabiel bleven niet vinden omdat het risico voor iedereen zo hoog was.

De studie onthulde ook een verwarrend patroon dat pas logisch werd nadat de computer het zware werk had gedaan. Op het eerste gezicht toonden de gegevens aan dat mensen die het slechter kregen, juist een lagere bloeddruk en bloedsuikerspiegel hadden dan degenen die gezond bleven. Dit leek achterstevoren! Maar de computer legde het uit: de mensen die het slechter kregen, begonnen in de "gezondste" vroege stadia (Stadium 0 of 1), terwijl de mensen die gezond bleven, meestal al in Stadium 2 zaten. Zodra de computer voor dit startpunt corrigeerde, kwam het echte verhaal naar voren: een hogere bloeddruk en een hogere bloedsuikerspiegel verhoogden inderdaad het risico op verslechtering, precies zoals je zou verwachten.

De computer onthulde ook dat het startstadium zelf de grootste aanwijzing was. Interessant genoeg zorgde het zijn in Stadium 2 ervoor dat het voorspelde risico op nóg slechter worden lager was in vergelijking met Stadium 0 of 1. De onderzoekers suggereren dat dit komt omdat mensen in Stadium 0 en 1 zo veel manieren hebben om het slechter te krijgen (ze kunnen in gewicht toenemen, een hoge bloeddruk krijgen, enz.), terwijl mensen in Stadium 2 minder "opwaartse" paden over hebben om te gaan.

Wat dit voor u betekent

De belangrijkste les van dit onderzoek is dat voor mensen in de zeer vroege stadia van dit syndroom, de gebruikelijke risicoscores niet erg nuttig zullen zijn. Omdat zoveel mensen in Stadium 0 en 1 waarschijnlijk toch wel slechter van worden, is het proberen te voorspellen wie er slechter van zal worden als proberen te raden welk korreltje zand er eerst zal vallen in een zandloper die al aan het kantelen is.

In plaats van energie te verspillen aan het sorteren van deze risicogroepen in "veilig" en "onveilig", suggereren de onderzoekers dat iedereen in deze vroege stadia direct hulp moet zoeken. Of de computer nu zegt dat u een kans van 60% heeft om slechter te worden of 80%, het antwoord is hetzelfde: u moet nu uw levensstijl aanpassen, uw gewicht beheren en uw bloeddruk in de gaten houden. Het model werkt het best voor de grotere groep mensen in Stadium 2, waar het risico gemengder is, maar zelfs daar is de belangrijkste les dat het "vroege venster" om deze problemen op te lossen snel sluit, en dat we moeten handelen voordat de verkeersopstopping in de stad permanent wordt.