Performance of Machine Learning Models to Predict the Need for Computed Tomography Brain Scans From Clinical Features in Emergency Department Headache Patients
Deze studie evalueerde machine learning-modellen met behulp van klinische kenmerken om de noodzaak voor CT-hersenscans bij patiënten met hoofdpijn op de spoedeisende hulp te voorspellen, waarbij werd vastgesteld dat hoewel alle modellen onderscheid konden maken tussen belangrijke en niet-belangrijke bevindingen, een logistische regressiemodel een superieure kalibratie bood vergeleken met elastic net- en random forest-modellen.
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 haasten miljoenen mensen zich naar de spoedeisende hulp over de hele wereld vanwege hoofdpijn. Voor de grote meerderheid is de pijn een irritatie — een tijdelijk, niet-ernstig probleem dat behandeld kan worden met rust of eenvoudige medicatie. Echter, voor een klein deel van deze patiënten is hoofdpijn het eerste waarschuwingssignaal van iets veel gevaarlijkers, zoals een hersenbloeding, een tumor of een beroerte. De uitdaging voor artsen op de spoedeisende hulp is dat zij het verschil niet kunnen zien door alleen naar een patiënt te kijken. Om veilig te zijn, ordenen zij vaak een computertomografie, of CT-scan, die röntgenstraling gebruikt om een gedetailleerd beeld van de hersenen te maken. Hoewel deze scans levensreddend zijn voor degenen die ze nodig hebben, stellen ze patiënten bloot aan straling en leggen ze dure medische middelen vast. Artsen vertrouwen al lang op checklists van "red flags" — specifieke symptomen zoals een plotseling begin of verwardheid — om te beslissen wie een scan nodig heeft, maar deze regels zijn niet perfect en laten artsen vaak gissen.
Onderzoekers zijn begonnen met het verkennen of computers kunnen helpen om deze beslissingen nauwkeuriger te maken. Door enorme hoeveelheden patiëntgegevens in machine learning te voeren, een vorm van kunstmatige intelligentie die patronen leert uit ervaring, hopen wetenschappers instrumenten te bouwen die de waarschijnlijkheid van een ernstig hersenprobleem kunnen voorspellen op basis van de symptomen en de medische geschiedenis van een patiënt. Het doel is niet om de arts te vervangen, maar om een tweede mening te bieden die helpt om de weinige patiënten die echt een scan nodig hebben te onderscheiden van de vele patiënten die dat niet nodig hebben, waardoor onnodige blootstelling aan straling wordt verminderd en de zorg voor iedereen wordt versneld.
Een team van onderzoekers van universiteiten uit Australië, Europa en Azië zette zich het doel voor om dit idee te testen met behulp van real-world data uit de spoedeisende hulp. Zij verzamelden informatie van meer dan 5.000 volwassenen die bij ziekenhuizen in tien verschillende landen arriveerden met hoofdpijn als hun belangrijkste klacht. De groep bestond uit patiënten uit diverse omgevingen, variërend van grote universitair medische centra tot kleinere gemeenschapscлиниieken. De onderzoekers bekeken een breed scala aan details voor elke persoon: hoe de pijn begon, hoe lang het duurde, waar het gelokaliseerd was, de leeftijd van de patiënt en de medische geschiedenis, en de resultaten van lichamelijk onderzoek en bloedtesten. Ze vergeleken deze details vervolgens met de werkelijke CT-scanresultaten. In deze studie betekende een "klinisch belangrijke bevinding" het ontdekken van iets ernstig zoals een bloeding, een afwijking aan een bloedvat of een tumor. Het is belangrijk op te merken dat voor de vele patiënten die geen CT-scan kregen, de onderzoekers ervan uitgingen dat zij geen ernstige bevindingen hadden, een standaardaanpak in dit type onderzoek, aangezien ernstige aandoeningen zelden worden gemist in spoedsituaties.
Het team testte drie verschillende soorten machine learning-modellen om te zien welk model het beste kon voorspellen wie een ernstige bevinding had. Eén model was een traditionele statistische methode, terwijl de andere complexere algoritmen waren ontworpen om ingewikkelde patronen in de data te vinden. Toen ze de modellen draaiden tegen een nieuwe set patiëntgegevens die ze nog nooit eerder hadden gezien, waren de resultaten duidelijk. Alle drie de modellen waren in staat om patiënten met en zonder ernstige bevindingen beter te onderscheiden dan op basis van toeval. Echter, het eenvoudigste model, de traditionele statistische meth, presteerde echter het beste overall. Het was iets beter in het identificeren van de juiste gevallen en, belangrijker nog, het was betrouwbaarder in zijn betrouwbaarheidsniveaus. De complexe modellen hadden de neiging om de risico's ofwel te hoog of te laag in te schatten, terwijl het eenvoudigere model waarschijnlijkheden gaf die de realiteit nauwer benaderden, vooral voor de grote meerderheid van de patiënten die een laag risico op ernstige problemen hadden.
De studie vond dat bepaalde factoren een ernstige bevinding veel waarschijnlijker maakten. Patiënten boven de 50 jaar, mannen en mensen die een plotselinge, instantane hoofdpijn ervoeren, liepen een hoger risico. Andere sterke indicatoren waren onder meer een geschiedenis van kanker, verwardheid, zwakte in een ledemaat of moeite met spreken. Daartegenover stonden kenmerken die vaak geassocieerd worden met veelvoorkomende migraine, zoals pijn aan slechts één kant van het hoofd of gevoeligheid voor licht, die juist gekoppeld waren aan een lagere kans op een ernstig probleem. De onderzoekers ontdekten dat het meest effectieve model het aantal uitgevoerde CT-scans met een aanzienlijke marge zou kunnen verminderen. Als artsen dit instrument zouden gebruiken om hun beslissingen te sturen, hadden zij honderden patiënten in de testgroep die onwaarschijnlijk een ernstige aandoening hadden, kunnen ontzien zonder de weinigen die het wel hadden te missen.
Ondanks deze veelbelovende resultaten benadrukken de auteurs voorzichtig dat dit geen definitieve oplossing is die direct in elk ziekenhuis klaar voor gebruik is. De studie vertegenwoordigt een cruciale eerste stap, of een "mappingfase", waarin het probleem wordt geïdentificeerd en een potentieel digitaal instrument wordt gebouwd. Voordat een dergelijk instrument erop kan worden vertrouwd om de manier waarop spoedeisende hulpafdelingen functioneren te veranderen, moet het getest worden in nieuwe, real-world omgevingen om te garanderen dat het even goed werkt voor verschillende populaties en geen fouten maakt. De onderzoekers merkten ook op dat hun data niet alle mogelijke symptomen bevatten die een arts zou kunnen controleren, en dat de modellen getraind waren op historische data in plaats van op levende patiënten. Desalniettemin demonstreert de studie dat machine learning succesvol kan leren van klinische kenmerken om de noodzaak van hersenscans te voorspellen. Door deze instrumenten te verfijnen en verder te testen, kan de medische gemeenschap op een dag een betrouwbare manier hebben om ervoor te zorgen dat elke patiënt die een scan nodig heeft er snel een krijgt, terwijl zij die het niet nodig hebben worden gespaard van onnodige procedures.
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.