Development and Validation of a Predictive Model of Major Adverse Kidney Events within 30 Days in Patients with Sepsis-Associated Acute Kidney Injury： Retrospective Cohort Study

Op de intensive care vecht het lichaam vaak een oorlog op twee fronten. De ene vijand is sepsis, een levensbedreigende reactie op een infectie die het immuunsysteem in een staat van overdrive brengt, waardoor organen en weefsels beschadigd raken. De andere is acuut nierfalen, een plotselinge uitval van de nieren om afvalstoffen uit het bloed te filteren. Wanneer deze twee condities tegelijkertijd toeslaan, wordt de situatie bijzonder gevaarlijk. De nieren behoren tot de eerste organen die lijden wanneer het lichaam door sepsis wordt overmand, en wanneer zij falen, stijgt het risico op overlijden of langdurige invaliditeit scherp. Decennialang hebben artsen vertrouwd op algemene richtlijnen voor het diagnosticeren en behandelen van deze condities, maar deze regels zijn ontworpen voor brede populaties, niet voor de unieke, complexe realiteit van een individuele patiënt in een ziekenhuisbed. De uitdaging is geweest om van algemene regels naar precieze voorspellingen te gaan: om vroegtijdig te weten welke specifieke patiënten het grootste risico lopen op ernstige nieruitkomsten binnen een maand, zodat de zorg kan worden afgestemd om hen te redden.

Een team van onderzoekers zette zich in om een hulpmiddel te bouwen dat deze voorspelling met grotere nauwkeurigheid kon doen. Ze wenden zich tot een enorme collectie digitale medische dossiers van duizenden patiënten die op Amerikaanse intensive care-afdelingen waren opgenomen. Specifiek richtten zij zich op een groep van 10.906 volwassenen die binnen twee dagen na de diagnose sepsis acuut nierfalen hadden ontwikkeld. De onderzoekers wilden zien of ze een patroon in de gegevens konden identificeren dat zou wijzen op een hoog risico op "majeure nieraandoeningen" binnen 3ig dagen. Deze uitkomst is een ernstige combinatie van drie zaken: overlijden in het ziekenhuis, de noodzaak voor een machine om het bloed te filteren (dialyse), of het hebben van een blijvend beschadigde nierfunctie na ontslag. Om het antwoord te vinden, vertrouwde het team niet op één enkele formule of een eenvoudige checklist. In plaats daarvan gebruikten ze een geavanceerd type computerleren, vaak machine learning genoemd, wat een computer in staat stelt om complexe, verborgen relaties in enorme hoeveelheden gegevens te vinden die het menselijk oog misschien zou missen.

De onderzoekers voedden de computer met een breed scala aan informatie over elke patiënt, verzameld tijdens de eerste 24 uur van hun verblijf op de intensive care. Dit omvatte basisgegevens zoals leeftijd en geslacht, een geschiedenis van andere ziekten zoals hartziekten of diabetes, en een momentopname van hun huidige fysieke staat. De computer keek naar vitale functies zoals hartslag en ademhalingssnelheid, evenals gedetailleerde bloedtestresultaten die maten hoe goed de lever en nieren werkten, hoeveel zuurstof er in het bloed zat, en hoe het lichaam met de infectie omging. Ze noteerden ook of patiënten medicijnen hadden gekregen die belastend kunnen zijn voor de nieren of medicijnen om de bloeddruk te ondersteend. Het team testte acht verschillende soorten machine learning-algoritmen, die elk een iets andere wiskundige benadering gebruikten om van de gegevens te leren. Ze trainden deze modellen op een grote groep patiënten en testten ze vervolgens op een aparte groep om te zien of de modellen de uitkomst voor mensen die ze nog nooit eerder hadden gezien, correct konden voorspellen.

Na het uitvoeren van de tests viel één model op als het meest betrouwbare. Het was een systeem genaamd CatBoost, dat beter bleek te zijn in het onderscheiden tussen patiënten die een goede uitkomst zouden hebben en patiënten die een majeur nierprobleem zouden ervaren dan de andere zeven modellen waarmee het werd vergeleken. Toen de onderzoekers dit best presterende model toepasten op een volledig andere set patiënten uit een andere database, behield het zijn nauwkeurigheid, wat suggereert dat de geleerde patronen echt waren en niet slechts een toevalstreffer van de eerste groep gegevens. Het model bereikte een nauwkeurigheidsniveau dat als sterk wordt beschouwd in medische voorspelling, waarbij het het risico voor de overgrote meerderheid van de patiënten correct identificeerde. Dit betekent dat voor een nieuwe patiënt met sepsis en nierfalen het model naar hun initiële gegevens kan kijken en een duidelijke schatting kan geven van hun risico op een majeur nierprobleem binnen een maand.

Om ervoor te zorgen dat artsen de beslissingen van het model kunnen vertrouwen en begrijpen, behandelden de onderzoekers het niet als een "black box" die simpelweg een antwoord geeft zonder uitleg. Ze gebruikten een methode om de voorspelling te ontleden en te laten zien welke factoren het risico omhoog of omlaag duwden voor elk individu. De analyse onthulde dat de krachtigste voorspeller van een slechte uitkomst simpelweg de ernst van het nierletsel zelf was op het moment van opname. Patiënten met meer gevorderde stadia van nierbeschadiging hadden veel meer kans op een slechte uitkomst. Naast de nieren benadrukte het model het belang van de algemene medische geschiedenis van de patiënt, de ernst van hun orgaanfalen en hun ademhalingssnelheid. Het toonde ook aan dat blootstelling aan bepaalde medicijnen die schadelijk kunnen zijn voor de nieren, het risico verhoogde. Door te laten zien hoe deze factoren samenkwamen om een specifiek risicoprofiel voor één persoon te creëren, gaat het model verder dan een generieke statistiek en biedt het een gepersonaliseerd beeld van de situatie van de patiënt.

De studie bevestigt dat het mogelijk is om gegevens van de eerste dag op de intensive care te gebruiken om ernstige niercomplicaties bij patiënten met sepsis te voorspellen. De bevindingen suggereren dat door de directe vitale functies, het bloedonderzoek en de medische geschiedenis van een patiënt te combineren, een computermodel een transparante en nauwkeurige beoordeling van hun toekomstige risico kan geven. Deze aanpak vervangt het oordeel van een arts niet, maar biedt een krachtig hulpmiddel om dit te ondersteunen. Het stelt medische teams in staat om de meest kwetsbare patiënten vroegtijdig te identificeren, wat potentieel een snellere interventie of nauwere monitoring mogelijk maakt. Hoewel het model is getest op gegevens uit Amerikaanse ziekenhuizen en mogelijk verdere validatie nodig heeft in andere delen van de wereld, is de kernontdekking dat de signalen voor een slechte nieruitkomst aanwezig en meetbaar zijn vanaf het begin van een kritieke ziekte. Dit werk vormt een stap naar een toekomst waarin de zorg op de intensive care wordt gestuurd door precieze, geïndividualiseerde voorspellingen in plaats van brede gemiddelden, om er zo voor te zorgen dat de meest risicovolle patiënten de aandacht krijgen die zij nodig hebben.