Development and external validation of a prediction model for acute kidney injury after coronary artery bypass grafting
Deze studie ontwikkelde en valideerde extern een machine learning-model met negen voorspellers om acuut nierfalen na coronaire bypasschirurgie te voorspellen, dat een matige discriminatie vertoonde maar herkalibratie vereiste voor klinische implementatie vanwege beperkte verbetering ten opzichte van conventionele modellen en overschatting van het risico.
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
Na een grote hartoperatie, bekend als een coronaire bypassoperatie (coronary artery bypass grafting), waarbij chirurgen de bloedstroom rondom geblokkeerde slagaders omleiden, krijgen de nieren vaak te maken met een plotselinge en gevaarlijke strijd. Deze conditie, genaamd acuut nierfalen, is een veelvoorkomende complicatie die de verblijfsduur van een patiënt op de intensive care kan verlengen, het risico op overlijden kan vergroten en kan leiden tot langdurige nierproblemen. De uitdaging voor artsen is dat de nieren niet altijd direct laten zien dat ze in de problemen zitten; de standaard bloedtest die gebruikt wordt om schade te detecteren, die een afvalproduct genaamd creatinine meet, loopt vaak achter op de werkelijke schade. Tegen de tijd dat de cijfers stijgen, kan het venster voor vroege interventie al gesloten zijn. Hoewel artsen hulpmiddelen hebben om te voorspellen wie dialyse nodig zal hebben, missen zij betrouwbare manieren om de meer voorkomende, mildere vormen van nierstress te signaleren die nog steeds aandacht vereisen.
Om dit gat te dichten, besloot een team van onderzoekers een nieuw soort waarschuwingssysteem te bouwen. Ze wilden een instrument dat een patiënt slechts zes uur na aankomst op de intensive care na de operatie kon bekijken en kon voorspellen of deze binnen het volgende week nierfalen zou ontwikkelen. Het doel was niet om te wachten tot de schade duidelijk werd, maar om het risico te identificeren terwijl het nog beheersbaar was. De onderzoekers maakten gebruik van enorme digitale dossiers van duizenden eerdere patiënten om een computer te leren hoe hij de subtiele tekenen van problemen kon herkennen voordat deze kritiek werden.
Het team gebruikte twee enorme collecties medische gegevens van ziekenhuizen in de Verenigde Staten. Eén set kwam van een enkel ziekenhuis in Boston, met gegevens van meer dan zes duizend volwassenen die een bypassoperatie hadden ondergaan. De tweede set kwam van tientallen ziekenhuizen verspreid over het land, met gegevens van meer dan vier duizend vergelijkbare patiënten. Ze richtten zich specifiek op volwassenen die in de eerste zes uur na de operatie nog geen nierproblemen hadden ontwikkeld, om er zeker van te zijn dat ze nieuwe blessures voorspelden in plaats van reageerden op oude. De onderzoekers voedden de computer met tweeëntwintig verschillende stukken informatie die routinematig beschikbaar waren binnen die eerste zes uur na de operatie. Dit omvatte de leeftijd van de patiënt, hun bloeddruk, zuurstofgehalten, bloedsuikerspiegel en diverse chemische markers in hun bloed die reflecteren hoe goed de nieren en andere organen functioneren.
Om de meest nuttige signalen te vinden, gebruikten de onderzoekers een statistische methode die werkt als een zeef, die de ruis wegfiltert om alleen de negen factoren over te houden die er het meest toe doen. Deze negen voorspellers omvatten de leeftijd van de patiënt, het type operatie dat zij ondergingen, hun basisnierfunctie en specifieke metingen van hun bloeddruk en zuurstofgehalten tijdens de eerste uren van het herstel. Vervolgens trainden ze vijf verschillende computermodellen om te leren van deze negen factoren, waarbij ze testten welk model het beste het onderscheid kon maken tussen patiënten die nierfalen zouden ontwikkelen en patiënten die dat niet zouden doen. Het meest succesvolle model was een geavanceerd algoritme genaamd XGBoost, dat ontworpen is om complexe patronen in data te vinden.
Wanneer de onderzoekers dit model testten op de eerste groep patiënten, presteerde het redelijk goed; het rangschikte patiënten volgens risico ongeveer tweeënzeventig procent van de tijd. Dit betekent dat als je willekeurig twee patiënten kiest, één die ziek zou worden en één die dat niet zou worden, het model meestal kon aangeven welke dat was. Echter, de echte test voor elk medisch voorspellingsinstrument is of het werkt op een volledig andere groep mensen. Wanneer het team het model toepaste op de tweede groep patiënten uit de andere ziekenhuizen, daalde de prestatie licht; het rangschikte patiënten ongeveer negenenzestig procent van de tijd correct. Hoewel dit beter is dan gokken, is het niet perfect. Belangrijker nog, het model had de neiging om overdreven voorzichtig te zijn, waarbij het voorspelde dat meer patiënten ziek zouden worden dan daadwerkelijk het geval was. In de tweede groep schatte het model dat ongeveer vierendertig procent van de patiënten nierfalen zou ontwikkelen, terwijl het werkelijke aantal slechts vijfentwintig procent was.
De onderzoekers keken ook naar welke factoren de voorspellingen aanstuurden. De computer bepaalde dat de basisnierfunctie van een patiënt de belangrijkste aanwijzing was, gevolgd door hun leeftijd en het hemoglobinegehalte in hun bloed. Een lagere nierfunctie, oudere leeftijd en lagere zuurstofgehaltes duwden de voorspelling richting een hoger risico op letsel. Het model herkende ook dat patiënten bij wie de bypassoperatie gecombineerd werd met een klepreparatie een hoger risico liepen dan patiënten die alleen een bypassoperatie ondergingen. Ondanks deze inzichten stelden de onderzoekers vast dat het complexe computermodel geen groot voordeel bood ten opzichte van een simpelere, traditionele statistische methode. De verbetering in nauwkeurigheid was zeer klein, wat suggereert dat de kwaliteit van de data en de timing van de voorspelling belangrijker zijn dan de complexiteit van de wiskunde die wordt gebruikt om de data te analyseren.
De studie concludeert dat, hoewel dit nieuwe instrument veelbelovend is als een manier om patiënten te signaleren die nauwere monitoring nodig kunnen hebben, het nog niet klaar is voor dagelijks gebruik in een ziekenhuis. Het feit dat het het risico overschatte in een andere groep patiënten, betekent dat het moet worden herkalibreerd, of aangepast, om te passen bij de specifieke populatie van een nieuw ziekenhuis voordat het vertrouwd kan worden. De onderzoekers benadrukken dat voordat een dergelijk model de manier waarop artsen patiënten behandelen kan veranderen, het moet worden getest in een echte klinische setting waar bewezen kan worden dat het daadwerkelijk de resultaten verbetert. Voor nu dient het werk als een solide fundament, dat aantoont dat het mogelijk is om een voorspellingssysteem te bouwen met uitsluitend routinedata die zes uur na de operatie beschikbaar is, zelfs als het systeem nog verfijning nodig heeft om werkelijk betrouwbaar te zijn.
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.