An Interpretable Machine Learning Framework for Predicting In-Hospital Mortality in Patients with Heart Failure and Concurrent Infection: Development Using MIMIC-IV and External Validation in eICU-CRD
Deze studie heeft interpreteerbare machine learning-modellen ontwikkeld en extern gevalideerd met behulp van MIMIC-IV en eICU-CRD data om de ziekenhuissterfte te voorspellen bij patiënten met hartfalen en een gelijktijdige infectie, waarbij variabele modelprestaties over databases en infectiesubgroepen werden onthuld en belangrijke klinische voorspellers werden geïdentificeerd via SHAP-analyse.
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 het hart moeite heeft om effectief bloed te pompen, voelt het hele lichaam de spanning. Deze conditie, bekend als hartfalen, laat patiënten met zeer weinig reserve over om extra stress te kunnen verwerken. Als een infectie een dergelijke patiënt treft, kan de situatie snel verslechteren. Het immuunsysteem van het lichaam lanceert een massale ontstekingsreactie om de bacteriën te bestrijden, maar deze reactie zelf kan een hart dat al zwak is overbelasten, wat leidt tot een gevaarlijke cyclus van orgaanfalen. Voor artsen in intensive care-afdelingen is het voorspellen of een patiënt met zowel hartfalen als een infectie de ziekenhuisopname zal overleven een cruciale uitdaging. Traditionele hulpmiddelen die worden gebruikt om risico in te schatten, vertrouwen vaak op eenvoudige checklists die elk symptoom als een afzonderlijk item behandelen, waardoor de complexe manieren waarop deze verschillende problemen met elkaar interageren, over het hoofd worden gezien. Om dit aan te pakken, zijn onderzoekers begonnen met het verkennen of computersystemen die in staat zijn verborgen patronen te vinden in enorme hoeveelheden gegevens, een duidelijker beeld kunnen geven van wie het grootste gevaar loopt.
Een team onderzoekers van het Wuhan Union Hospital zette zich in om een dergelijk systeem te bouwen en te testen. Ze wilden een hulpmiddel creëren dat naar de vele verschillende signalen kon kijken die een patiënt vertoont bij aankomst — zoals leeftijd, vitale functies en bloedtestresultaten — en deze kon combineren om de waarschijnlijkheid van overlijden tijdens de ziekenhuisopname te voorspellen. Hiervoor maakten ze gebruik van twee enorme, publiek beschikbare collecties medische dossiers uit intensive care-afdelingen in de Verenigde Staten. De eerste collectie, bekend als MIMIC-IV, bevatte gegevens van één groot ziekenhuis, terwijl de tweede, de eICU-CRD, informatie verzamelde van honderden ziekenhuizen door het hele land. De onderzoekers richtten zich specifiek op volwassenen die zowel met hartfalen als met een infectie waren gediagnosticeerd. Ze identificeerden 1.415 patiënten in de eerste database om hun modellen te bouwen en testten die modellen vervolgens op 2.826 andere patiënten uit de tweede database om te zien of de resultaten standhielden in een bredere verscheidenheid aan omgevingen.
Het team trainde vier verschillende soorten algoritmen voor machine learning om deze voorspellingen te doen. Eén methode was een standaard statistische benadering, terwijl de andere drie meer geavanceerde systemen waren die beslissingsbomen opbouwen om complexe relaties tussen variabelen te vinden. De onderzoekers verdeelden de patiënten in groepen op basis van de vraag of hun infectie werd veroorzaakt door bacteriën of door andere organismen zoals virussen of schimmels, omdat het lichaam anders reageert op elk type. Vervolgens lieten ze de computermodellen raden welke patiënten zouden overleven en welke niet, waarbij de resultaten werden vergeleken met de werkelijke uitkomsten die in het ziekenhuis waren geregistreerd.
De resultaten lieten zien dat geen enkel computerprogramma perfect was voor elke situatie. In de initiële groep patiënten uit het enkele ziekenhuis presteerde een van de geavanceerde modellen, genaamd LightGBM, het beste over het algemeen en was het bijzonder goed in het voorspellen van de uitkomsten voor patiënten met bacteriële infecties. Echter, voor patiënten met niet-bacteriële infecties was een ander model, genaamd XGBoost, nauwkeuriger. Wanneer de onderzoekers deze modellen testten op de tweede, grotere groep patiënten uit vele verschillende ziekenhuizen, veranderden de rangordes opnieuw. In deze bredere groep werd een derde model, genaamd AdaBoost, de beste presteerder voor bacteriële infecties, terwijl XGBoost de sterkste bleef voor niet-bacteriële infecties. Deze variatie suggereert dat het beste hulpmiddel voor het voorspellen van risico zwaar afhangt van de specifieke patiëntengroep en het type infectie, in plaats van dat er één universeel algoritme bestaat dat overal het beste werkt.
Om te begrijpen hoe deze computermodellen hun beslissingen namen, gebruikten de onderzoekers een techniek genaamd SHAP-analyse, die werkt als een spotlight om aan te geven welke factoren het belangrijkst waren voor elke voorspelling. Ze ontdekten dat de modellen zwaar leunden op een paar belangrijke indicatoren. De score die het bewustzijnsniveau van een patiënt meet, de Glasgow Coma Scale, was een belangrijke factor. Andere cruciale inputs waren het aantal witte bloedcellen in het bloed, het niveau van een afvalproduct genaamd bloedureumstikstof, het lichaamsgewicht van de patiënt en de hoeveelheid urine die zij produceerden. De analyse toonde aan dat hogere niveaus van witte bloedcellen en bloedureumstikstof de voorspelling richting een hoger risico op overlijden duwden, terwijl een hogere urineproductie en een groter lichaamsgewicht geassocieerd waren met een lager risico.
Ondanks deze bevindingen zijn de onderzoekers voorzichtig in hun verklaring dat hun werk nog niet klaar is om als standaardinstrument in een ziekenhuis te worden gebruikt. De studie was een retrospectieve blik op gegevens uit het verleden, wat betekent dat de computer leerde van dossiers van patiënten die al waren behandeld, in plaats van een nieuwe behandeling in realtime te testen. De verschillen in prestaties tussen de twee databases onderstrepen dat medische gegevens aanzienlijk kunnen variëren afhankelijk van waar ze worden verzameld, en dat een model dat goed werkt in het ene ziekenhuis, misschien niet zo goed werkt in een ander zonder aanpassingen. Bovendien merkt de studie expliciet op dat de door de computer geïdentificeerde factoren niet bewezen oorzaken van de dood zijn; het zijn simpelweg de signalen die het model gebruikte om zijn voorspellingen te doen. De onderzoekers concluderen dat hoewel deze interpreteerbare machine learning-systemen een veelbelovende manier bieden om risicopatronen bij complexe patiënten te verkennen, ze verdere tests in toekomstige, klinische praktijkstudies vereisen voordat ze kunnen worden vertrouwd om beslissingen over leven of dood te sturen.
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.