Prediction at Hospital Admission of In-Hospital Mortality and High-Cost Hospitalization Using Machine Learning in Patients With Severe Community-Acquired Pneumonia: An Exploratory Dual-Risk Stratification Study
Deze studie heeft afzonderlijke machine learning-modellen ontwikkeld en temporeel gevalideerd met behulp van opnamegegevens om zowel in-hospital mortaliteit als kostbare hospitalisatie te voorspellen bij patiënten met ernstige community-acquired pneumonie, waarbij een superieure prestatie werd aangetoond ten opzichte van traditionele scores en onderscheidende klinische en hulpbrongebruikpatronen over gecombineerde risicostrata werden onthuld.
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
Elk jaar worden miljoenen volwassenen opgenomen in het ziekenhuis met ernstige pneumonie, een levensbedreigende infectie die de longen treft. Voor artsen is de directe uitdaging tweeledig: ze moeten beslissen welke patiënten het grootste gevaar lopen om te overlijden en welke patiënten de meest dure, intensieve zorg zullen vereisen. Traditioneel vertrouwen ziekenhuizen op eenvoudige checklists om de ernst van de ziekte van een patiënt in te schatten. Deze instrumenten kijken naar basiskenmerken zoals leeftijd, verwardheid, ademhalingsfrequentie en bloeddruk om het sterfterisico te schatten. Deze checklists zijn echter niet ontworpen om financiële kosten te voorspellen, en ze missen vaak de complexe biologische signalen die aangeven dat een patiënt een langdurig, duur verblijf in het ziekenhuis nodig zal hebben. Nu gezondheidszorgsystemen onder toenemende druk staan om middelen verstandig te beheren, is er een kritieke behoefte aan begrip van niet alleen wie mogelijk zal overlijden, maar ook wie de meeste medische hulpmiddelen en personele tijd zal consumeren, gebaseerd op de informatie die beschikbaar is op het moment dat een patiënt binnenkomt.
Een team onderzoekers van het Nanjing First Hospital en de China Pharmaceutical University zette zich in om dit probleem op te lossen door een nieuw soort voorspellingssysteem te bouwen. Ze verzamelden gegevens van 1.543 volwassenen die tussen 2020 en 2025 werden opgenomen met ernstige community-acquired pneumonie. In plaats van te vertrouwen op een enkele checklist, gebruikten ze machine learning, een type computerprogramma dat patronen leert van enorme hoeveelheden gegevens, om twee afzonderlijke voorspellingsmodellen te creëren. Het eerste model werd getraind om de waarschijnlijkheid te voorspellen dat een patiënt tijdens het ziekenhuisverblijf zou overlijden. Het tweede model werd getraind om te voorspellen of de totale ziekenhuisrekening van een patiënt uitzonderlijk hoog zou zijn, gedefinieerd in deze studie als meer dan 38.969 Chinese yuan. Cruciaal was dat beide modellen werden gebouwd met uitsluitend de informatie die artsen hebben op het moment van opname, zoals vitale functies, resultaten van bloedonderzoek en de medische geschiedenis van de patiënt, waarbij alle gegevens die pas beschikbaar komen nadat de behandeling is begonnen, werden genegeerd.
De onderzoekers ontdekten dat hun machine learning-modellen aanzienlijk beter waren in het doen van deze voorspellingen dan de standaardinstrumenten die momenteel in gebruik zijn. Voor het voorspellen van sterfte bereikte hun beste model een AUC van 0,73, een opmerkelijke verbetering ten opzichte van het standaard scoringssysteem, dat slechts ongeveer 54 procent van de tijd correct was. Voor het voorspellen van hoge kosten presteerde hun model ook beter dan een eenvoudige baseline die alleen naar leeftijd en het aantal bestaande gezondheidstoestanden keek. De studie onthulde dat de factoren die een hoog sterfterisico drijven, niet exact hetzelfde zijn als de factoren die een hoge kost drijven. Hoewel beide modellen naar vergelijkbare gegevenspunten keken, zoals zuurstofgehaltes en hartfunctie, leerde de computer dat verschillende combinaties van deze signalen naar verschillende uitkomsten wezen.
Om deze bevindingen te duiden, deelden de onderzoekers patiënten in vier categorieën in op basis van de combinatie van risico's die hun modellen voorspelden. Ze ontdekten twee bijzonder onderscheidende groepen die traditionele methoden vaak missen. Eén groep bestond uit patiënten die werden voorspeld een zeer hoog risico op overlijden te hebben, maar een laag risico op het genereren van hoge kosten. Deze patiënten waren doorgaans ouder en vertoonden ernstige tekenen van fysieke nood, zoals een zeer hoge ademhalingsfrequentie en een hoog niveau van een eiwit genaamd lactaat, wat aangeeft dat het lichaam moeite heeft om voldoende zuurstof te krijgen. Omdat hun toestand zo kritiek was, vereisten zij vaak intensieve zorg en mechanische ventilatie, maar hun ziekenhuisverblijven werden vaak afgebroken door overlijden, wat resulteerde in lagere totale kosten.
In contrast hiermee was een tweede groep voorspeld een laag risico op overlijden te hebben, maar een zeer hoog risico op het genereren van hoge kosten. Deze patiënten waren fysiek over het algemeen stabieler, maar vereisten een breed scala aan dure middelen. Hun hoge kosten kwamen voort uit een cumulatief gebruik van medische hulpmiddelen, verpleegkundige zorg, laboratoriumtests en medicatie over een langere periode. De studie toonde aan dat deze twee groepen zeer verschillende klinische profielen hadden, wat suggereert dat een enkel risicocijfer niet voldoende is om het ziekenhuisbeheer te sturen. Door naar beide risico's tegelijkertijd te kijken, kunnen artsen potentieel identificeren welke patiënten onmiddellijke levensreddende interventie nodig hebben versus patiënten die zorgvuldig, middelenintensief beheer nodig hebben om complicaties te voorkomen.
De onderzoekers benadrukten dat hoewel hun modellen goed presteerden tijdens het testen, ze zich nog in een verkennende fase bevinden. De studie werd uitgevoerd in één enkel ziekenhuis, en de specifieke voorspelde kosten zijn gekoppeld aan lokale prijzen en gezondheidszorgbeleid. Het team merkte op dat hun werk niet bewijst dat het aanpassen van de behandeling op basis van deze voorspellingen de uitkomsten zal verbeteren, maar het biedt wel een nieuwe manier om de behoeften van patiënten te visualiseren. Ze suggereren dat dergelijke duale risicobeoordelingen in de toekomst ziekenhuizen kunnen helpen om hun beperkte middelen effectiever toe te wijzen, zodat de ziekste patiënten urgente zorg krijgen terwijl degenen die waarschijnlijk een langdurig, complex verblijf zullen hebben, de aandacht krijgen die ze nodig hebben zonder het systeem te overbelasten. De studie concludeert dat het gebruik van dezelfde opnamgegevens om zowel sterfte als kosten te voorspellen, een completer beeld geeft van de uitdagingen waar patiënten met ernstige pneumonie voor staan dan de huidige methoden mogelijk maken.
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.