Development and Internal Validation of a Nomogram for Concomitant Pulmonary Embolism in Patients With Lower-Extremity Deep Vein Thrombosis: A Comparison With Machine Learning Models
Deze studie ontwikkelde en valideerde intern een op logistische regressie gebaseerd nomogram met behulp van klinische predictoren om de waarschijnlijkheid van gelijktijdige longembolie bij patiënten met diepveneuze trombose in de onderste extremiteiten te schatten, waarbij een prestatie werd aangetoond die vergelijkbaar is met geavanceerde machine learning-modellen terwijl het een superieure interpreteerbaarheid biedt, hoewel het externe validatie vereist voordat klinische implementatie kan plaatsvinden.
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
Wanneer een bloedstolsel zich vormt in de diepe aderen van een been, is dat een ernstige medische gebeurtenis die bekend staat als diep veneuze trombose. De grootste angst voor artsen en patiënten is dat een stukje van dit stolsel kan losraken, door de bloedbaan kan reizen en in de longen kan vast komen te zitten. Deze secundaire gebeurtenis wordt een longembolie genoemd, en dit kan levensbedreigend zijn. In veel gevallen verschijnen het stolsel in het been en het stolsel in de longen tegelijkertijd, zelfs als de patiënt geen specifieke tekenen van problemen met de ademhaling vertoont. Momenteel is de standaardmethode om een longstolsel te controleren een gespecialiseerde CT-scan van de borstkas. Het uitvoeren van deze scan bij elke patiënt met een beenstolsel is echter niet praktisch. De scan brengt straling met zich mee en een contrastmiddel dat de nieren kan belasten, dus artsen bewaren deze scan meestal voor patiënten die duidelijke waarschuwingssignalen vertonen, zoals plotselinge kortademigheid of een daling van het zuurstofgehalte. Dit creëert een moeilijke kloof: veel patiënten met beenstolsels kunnen ook stille longstolsels hebben die onopgemerkt blijven omdat ze niet ziek genoeg lijken om een scan te rechtvaardigen.
Onderzoekers van het China-Japan Friendship Hospital in Beijing zetten zich in om deze kloof te overbruggen door een hulpmiddel te creëren om de waarschijnlijkheid van een verborgen longstolsel in te schatten bij patiënten die net de diagnose een beenstolsel hebben gekregen. Zij verzamelden gegevens van meer dan 1.100 patiënten die tussen 2019 en 2024 in hun ziekenhuis werden opgenomen. Voor elke patiënt bekeken zij een specifieke set van zeven factoren die beschikbaar waren op het moment van opname: hun leeftijd, hun BMI, een bloedtestresultaat genaamd D-dimeer, of zij bestaande longziekten hadden, of zij een geschiedenis van bloedstolsels hadden, waar precies de beenstol zich bevond, en of er stolsels werden gevonden in aderen elders in het lichaam, zoals in de armen of de nek. Zij vergeleken vervolgens hoe goed een traditionele statistische methode, bekend als een nomogram, presteerde tegenover drie complexere computeralgoritmen, vaak machine learning-modellen genoemd. Het doel was om te zien of een eenvoudige, gemakkelijk leesbare grafiek even nauwkeurig een longstolsel kon voorspellen als deze geavanceerde digitale systemen.
De studie vond dat onder de 1.151 patiënten 173 bevestigd een longstolsel hadden. De onderzoekers ontdekten dat bepaalde factoren een longstolsel veel waarschijnlijker maakten. Patiënten met bestaande longcondities, zoals chronische obstructieve longziekte of pneumonie, hadden bijna acht keer meer kans op een longstolsel dan patiënten zonder dergelke condities. De aanwezigheid van stolsels in aderen buiten de benen, zoals in de armen of de nek, was een nog sterkere indicator, geassocieerd met een risicotoename van meer dan negen keer. Een geschiedenis van eerdere bloedstolsels en stolsels die doorlopen tot in de achterkant van de knie of het onderbeen, verhoogden de kansen ook aanzienlijk. Interessant genoeg merkte de studie op dat oudere leeftijd geassocieerd was met een lagere waarschijnlijkheid van een longstolsel in hun gegevens, maar de auteurs waarschuwen dat dit waarschijnlijk komt door de manier waarop patiënten werden geselecteerd voor testen, in plaats van een biologische bescherming, aangezien oudere patiënten minder waarschijnlijk de plotselinge ademhalingssymptomen zouden vertonen die een scan triggeren.
Wanneer het team hun instrumenten testte op een aparte groep patiënten om te zien hoe goed ze werkten, waren de resultaten onthullend. De complexe machine learning-modellen, inclusief een systeem genaamd gradient boosting, presteerden iets beter dan het eenvoudige statistische model, maar het verschil was zo klein dat het niet statistisch significant was. Het traditionele nomogram, wat in essentie een grafiek is waarbij een arts punten optelt voor elke risicofactor om tot een totaalscore te komen, presteerde net zo goed als de geavanceerde computermodellen in het onderscheiden van patiënten met en zonder longstolsels. Het eenvoudige model identificeerde correct ongeveer 77 procent van de patiënten die daadwerkelijk een longstolsel hadden en sloot correct ongeveer 74 procent van hen uit die dat niet hadden. Dit suggereert dat voor deze specifieke medische vraag het toevoegen van lagen complexe computerverwerking geen betekenisvol voordeel bood boven een rechtstreekse berekening op basis van zeven duidelijke klinische feiten.
Ondanks deze veelbelovende resultaten zijn de onderzoekers voorzichtig in hun verklaring dat dit hulpmiddel geen diagnostische test is die een CT-scan kan vervangen. Omdat het ziekenhuis alleen scans uitvoerde bij patiënten die er ziek uitzagen, bevat de data een bias; veel patiënten zonder symptomen werden nooit gescand, wat betekent dat sommige stille longstolsels volledig gemist kunnen zijn. Wanneer de onderzoekers alleen naar de patiënten keken die daadwerkelijk een scan hadden ontvangen, werd de kracht van de verbanden tussen de risicofactoren en de longstolsels zwakker. Dit geeft aan dat het model deels voorspelt welke patiënten waarschijnlijk een scan zullen krijgen, in plaats van enkel de biologische aanwezigheid van een stolsel te voorspellen. Daarom moet de grafiek worden beschouwd als een verkennende gids om artsen te helpen beslissen wie nauwere aandacht nodig heeft, in plaats van een definitief antwoord. Voordat dit hulpmiddel in klinieken kan worden gebruikt om de patiëntenzorg te begeleiden, moet het worden getest in andere ziekenhuizen met andere patiëntenpopulaties en met een meer consistente aanpak van het scannen van iedereen, om te garanderen dat de voorspellingen standhouden in de echte wereld.
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.