An explainable machine learning model integrating multidimensional clinical information for early identification and probability stratification of Non-ST-Segment Elevation Myocardial Infarction

Elk jaar stormen miljoenen mensen naar de spoedeisende hulp met pijn op de borst, een symptoom dat kan wijzen op een potentieel hartinfarct. Artsen staan voor een moeilijke puzzel: het onderscheid maken tussen een hartinfarct waarbij de hartspier actief aan het afsterven is, en een conditie genaamd instabiele angina pectoris, waarbij het hart kampt met zuurstofgebrek maar de spier nog geen permanente schade heeft opgelopen. Het standaardinstrument voor deze taak is een bloedtest die een eiwit meet genaamd hooggevoelig troponine I. Wanneer hartcellen beschadigd raken, lekken ze dit eiwit in de bloedbaan. Hoewel deze test uitstekend is in het opsporen van ernstige schade, laat het artsen vaak in een grijs gebied achter wanneer de waarden slechts licht verhoogd zijn. In deze onzekere momenten kan het eiwit alleen niet altijd vertellen of de patiënt een volwaardig hartinfarct krijgt of slechts hevige pijn op de borst heeft, wat het moeilijk maakt om te beslissen wie onmiddellijke, agressieve behandeling nodig heeft en wie nauwer geobserveerd kan worden.

Een team onderzoekers van het Beijing Jishuitan Hospital heeft een nieuwe manier ontwikkeld om door deze onzekerheid te navigeren. Ze hebben een computermodel gecreëerd dat fungeert als een hoogopgeleide assistent, die niet alleen naar de enkele eiwittest kijkt, maar tegelijkertijd naar een breed scala aan routinematig bloedonderzoek en de patiëntgeschiedenis. Door de computer informatie te voeren over ontsteking, bloedstolling, nierfunctie en de timing van symptomen, naast de standaard eiwittest, leert het model subtiele patronen te herkennen die het menselijk oog zou kunnen missen. Het doel was niet om de arts te vervangen, maar om een duidelijker, persoonlijker waarschijnlijkheidspercentage van een hartinfarct te bieden, waardoor een vage gok wordt omgezet in een berekend risico dat levensreddende beslissingen kan sturen.

De onderzoekers begonnen met het verzamelen van gegevens van bijna 3.700 patiënten die tussen 2021 en 2025 bij hun ziekenhuis waren opgenomen met vermoedelijke hartproblemen. Ze hebben de medische dossiers van elke persoon zorgvuldig beoordeeld en hen in twee groepen verdeeld: zij die uiteindelijk de diagnose non-ST-segment elevatie myocardinfarct kregen, het specifieke type hartinfarct dat zij wilden identificeren, en zij die leden aan instabiele angina pectoris. Vanuit een enorme lijst van 124 mogelijke aanwijzingen in de dossiers van patiënten, gebruikten het team een verfijnd selectieproces om de 16 meest nuttige stukken informatie te vinden. Deze omvatten de standaard eiwittest, maar ook markers voor ontsteking, bloedsuiker, niergezondheid en hoe lang de patiënt al pijn voelde voordat hij het ziekenhuis bereikte.

Vervolgens trainden ze een computeralgoritme, een type machine learning-systeem bekend als een gradient boosting decision tree, om het verschil tussen de twee groepen te leren. Dit systeem werkt door een reeks eenvoudige beslisregels op te bouwen die, wanneer gecombineerd, een krachtige voorspeller vormen. De computer werd getest op een groep patiënten die hij nog nooit eerder had gezien om te garanderen dat hij met echte situaties om kan gaan. De resultaten toonden aan dat het model opmerkelijk accuraat was en het overgrote deel van de hartinfarctgevallen correct identificeerde. Belangrijker nog was dat toen de onderzoekers hun nieuwe model vergeleken met de standaardmethode van het gebruik van enkel de eiwittest, ze ontdekten dat de nieuwe aanpak aanzienlijk beter was in het inschatten van het werkelijke risico voor elke individuele patiënt. Het verminderde het aantal fouten in de voorspelling en was veel beter in het herclassificeren van patiënten in de juiste risicogroepen, waardoor er minder mensen met een hartinfarct over het hoofd werden gezien.

Een van de meest waardevolle aspecten van dit werk is dat het model uitlegbaar is. In tegen tegenstelling tot veel computersystemen die als een "black box" fungeren, waarbij een antwoord wordt gegeven zonder te zeggen waarom, kan dit model precies laten zien welke factoren de voorspelling de ene of de andere kant op duwden. De onderzoekers gebruikten een methode om te visualiseren hoe de computer elk stuk informatie woog. Ze ontdekten dat hoewel de eiwittest de belangrijkste aanwijzing bleef, de andere factoren een cruciale rol speelden bij het verfijnen van het antwoord. Bijvoorbeeld, als een patiënt een licht verhoogd eiwitgehalte had, zou de computer kijken naar de ontstekingmarkers en de nierfunctie om te beslissen of deze lichte verhoging een teken was van een ernstig hartinfarct of slechts een klein probleem. Het model leerde dat het belang van deze extra aanwijzingen veranderde afhankelijk van hoe hoog het eiwitgehalte was. In gevallen waarin het eiwit slechts licht verhoogd was, werden de andere bloedtests veel kritischer voor het maken van de juiste beslissing.

Om dit hulpmiddel bruikbaar te maken voor artsen, bouwde het team een eenvoudige online calculator. Een arts kan de 16 routinematige getallen uit de bloedtest en de geschiedenis van een patiënt invoeren, en het systeem genereert direct een waarschijnlijkheidsscore. Het verdeelt deze score vervolgens in drie duidelijke categorieën: laag risico, gemiddeld risico en hoog risico. Voor patiënten in de groep met een laag risico suggereert het model een zeer kleine kans op een hartinfarct, wat potentieel een snellere ontslagprocedure of minder intensieve monitoring mogelijk maakt. Voor degenen in de groep met een hoog risico is de waarschijnlijkheid zo groot dat het directe, agressieve behandeling ondersteunt. De middelste groep, die een aanzienlijk deel van de patiënten vertegenwoordigt, wordt gemarkeerd voor nauwere observatie en verdere tests, in erkenning dat het antwoord nog niet duidelijk is. Deze aanpak helpt artsen om weg te bewegen van een simpele ja-of-nee diagnose en biedt in plaats daarvan een genuanceerd beeld van risico dat past bij de complexiteit van het menselijk lichaam.

De studie suggereert dat door de standaard eiwittest te combineren met een breed overzicht van de algehele gezondheid van de patiënt, artsen in de spoedeisende hulp sneller nauwkeurigere beslissingen kunnen nemen. Het model beweert geen perfecte kristallen bol te zijn; het is een instrument dat ontworpen is om het klinische oordeel te ondersteunen, niet om het te vervangen. De onderzoekers benadrukken dat hun werk gebaseerd is op gegevens van één enkel ziekenhuis en dat het model in andere omgevingen moet worden getest om de betrouwbaarheid over verschillende populaties te bevestigen. De bevindingen bieden echter een veelbelovend pad voorwaarts, waarbij zij aantonen dat de toekomst van de diagnose van hartinfarcten kan liggen in het vermogen om veel kleine, routinematige stukjes informatie samen te voegen tot één helder beeld van het risico van een patiënt.