Predicting recovery after urosepsis: a multicentre machine learning study using SOFA-based organ dysfunction measures and microbiology
Deze multicenter machine learning-studie toont aan dat interpreteerbare modellen die gebruikmaken van longitudinale, orgaanspecifieke SOFA-scores en microbiologische gegevens, accuraat het uitblijven van herstel op dag 3 en dag 30 kunnen voorspellen bij volwassenen met urosepsis, waarmee een nieuw prognostisch kader wordt geboden dat gericht is op hersteltrajecten in plaats van enkel op mortaliteit.
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
Sepsis is een levensbedreigende reactie op een infectie, waarbij het eigen verdedigingsmechanisme van het lichaam in overdrive raakt en begint de eigen organen te beschadigen. Wanneer deze reactie voortkomt uit een infectie in de urinewegen, noemen artsen dit urosepsis. Decennialang heeft de medische wereld zich bijna volledig gericht op één vraag: zal de patiënt overleven? Hoewel het redden van levens het meest urgente doel is, keren veel mensen die de initiële crisis overleven niet simpelweg terug naar hun oude zelf. In plaats daarvan kunnen zij worstelen met aanhoudende orgaanproblemen, vermoeidheid of een traag, onzeker pad naar herstel. Tot nu toe hadden artsen geen betrouwbare manier om te voorspellen wie snel weer op de been zou zijn en wie een langdurig, moeilijk herstel zou tegemoet gaan, waardoor ze vaak moesten gissen op basis van hoe ziek de patiënt eruitzag op het moment dat deze aankwam in het ziekenhuis.
Een nieuwe studie met honderden patiënten in dertig vier ziekenhuizen in Europa is begonnen dat beeld te veranderen. Onderzoekers wierpen een frisse blik op gegevens van een groep volwassenen met bevestigde urosepsis, waarbij ze geavanceerde computertools gebruikten om patronen te vinden die het menselijk oog misschien mist. In plaats van alleen te vragen of een patiënt zou leven of sterven, vroegen zij een andere vraag: hoe lang zal het duren voordat de organen van het lichaam weer normaal functioneren? Door specifieke metingen van de gezondheid van de organen over een bepaalde tijd te volgen, bouwde het team een model dat het herstelpad van een patiënt met verrassende nauwkeurigheid kan voorspellen. Hun werk suggereert dat de sleutel tot het begrijpen van herstel niet alleen ligt in hoe ziek een patiënt is bij aankomst, maar in precies welke organen het moeilijk hebben en hoe die problemen veranderen tijdens de eerste paar weken.
De onderzoekers begonnen met een grote collectie real-world data uit de SERPENS-studie, die 354 volwassenen volgde die gediagnosticeerd waren met urosepsis. Ze richtten zich op twee specifieke tijdstippen: drie dagen na de diagnose, om te zien hoe het met de patiënt ging op de korte termijn, en dertig dagen later, om te zien of de patiënt volledig hersteld was. De kern van hun analyse steunde op een standaard medisch instrument genaamd de SOFA-score, die fungeert als een rapportcijfer voor de vitale systemen van het lichaam. Deze score controleert zes verschillende gebieden: ademhaling, bloedstolling, leverfunctie, hart en bloeddruk, hersenfunctie en nierfunctie. Elk gebied krijgt een cijfer van nul, wat normaal betekent, tot vier, wat ernstig falen betekent.
Traditioneel kijken artsen vaak naar het totaal van deze zes cijfers als één enkel getal om de algehele ernst te beoordelen. De onderzoekers vermoedden echter dat dit enkele getal belangrijke details kon verbergen. Ze vroegen zich af of weten welk specifiek orgaan faalde een duidelijker beeld bood dan alleen het weten van de totale som. Om dit te testen, voedden ze de gegevens aan machine learning-modellen, wat computerprogramma's zijn die leren van voorbeelden. Ze trainden deze programma's om te voorspellen of een patiënt volledige genezing zou bereiken, gedefinieerd als een score van nul in alle orgaansystemen, of dat de patiënt nog steeds zou worstelen met een zekere mate van disfunctie.
De resultaten toonden aan dat de computermodellen zeer goed waren in het maken van deze voorspellingen. Wanneer de modellen alleen de totale score van de dag van opname gebruikten, konden ze onderscheid maken tussen hen die snel zouden herstellen en hen die dat niet zouden doen, met een AUC van 0,87 voor de driedagenvoorspelling. Voor de dertigdagenvoorspelling was de AUC iets lager, maar nog steeds sterk. De studie vond dat het toevoegen van informatie over hoe de conditie van de patiënt zich gedurende het volgende week veranderde, de langetermijnvoorspellingen aanzienlijk verbeterde. Tegen de tijd dat de modellen gegevens van dag drie en dag zeven konden zien, verbeterde hun vermogen om de dertigdagenuitkomst te voorspellen naar een AUC van 0,87.
Misschien wel de belangrijkste ontdekking was dat het uitsplitsen van de totale score in de afzonderlijke delen de voorspellingen nog beter maakte. Wanneer de modellen naar de specifieke scores voor de nieren, hersenen en longen keken afzonderlijk, in plaats van alleen naar de totale som, steeg hun AUC naar 0,90 voor de kortetermijnvoorspelling en 0,83 voor de langetermijnvoorspelling. Dit onthulde dat niet alle orgaanuitval gelijk is in termen van wat het ons over de toekomst vertelt. Zo waren problemen met de nieren, de hersenen en de ademhaling de sterkste signalen dat een patiënt mogelijk niet volledig zou herstellen. Ook het type bacterie dat de infectie veroorzaakte, deed ertoe; patiënten die geïnfecteerd waren met een veelvoorkomend, gemakkelijk te behandelen type bacterie, hadden de neiging om beter te herstellen, terwijl zij met bacteriën die resistent waren tegen meerdere antibiotica een moeilijker pad voor zich hadden.
De onderzoekers testten ook hoe goed hun modellen zouden werken in ziekenhuizen die ze nog nooit eerder hadden gezien. Ze namen de modellen die getraind waren op gegevens van de meeste ziekenhuizen en testten ze op patiënten uit een volledig andere set ziekenhuizen. De modellen hielden het goed stand en behielden hun vermogen om waarschijnlijke uitkomsten te onderscheiden, wat suggereert dat deze bevindingen niet slechts een toevalstreffer zijn van één specifieke groep patiënten, maar kunnen worden toegepast op urosepsisgevallen in verschillende regio's. Dit is een belangrijke stap voorwaarts, omdat het betekent dat de aanpak uiteindelijk gebruikt kan worden in diverse klinische omgevingen om artsen te helpen bij het plannen van de zorg.
De studie benadrukt een verschuiving in hoe we mogelijk kunnen denken over herstel van ernstige infecties. Het laat zien dat herstel geen enkele gebeurtenis is die in één keer plaatsvindt, maar een dynamisch proces dat zich voor iedere persoon anders ontvouwt, afhankelijk van welke organen zijn aangetast en hoe zij reageren op behandeling. Door meer aandacht te besteden aan de specifieke details van de orgaanfunctie en het type bacterie, kunnen artsen patiënten en hun families binnenkort wellicht een veel duidelijker beeld geven van wat zij kunnen verwachten in de weken volgend op een diagnose. Deze aanpak gaat verder dan simpelweg het in leven houden van patiënten en helpt hen de reis terug naar gezondheid te begrijpen, door een meer genuanceerd en gepersonaliseerd beeld te bieden van hoe herstel eruitziet na een ernstige infectie.
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.