Development and internal validation of a pre-operative machine-learning model for prolonged postoperative stay in older adults undergoing colorectal cancer surgery

Ziekenhuizen zijn plaatsen van genezing, maar voor ouderen kan een lang verblijf een bron van nieuwe schade worden. Wanneer een oudere persoon wordt opgenomen voor een grote operatie, kan de ziekenhuisomgeving zelf een achteruitgang in hun fysieke en mentale vermogens triggeren. Dit fenomeen, bekend als ziekenhuisgeassocieerde beperking, omvat een verlies van spierkracht, verwarring en een verminderd vermogen om voor zichzelf te zorgen, wat allemaal kan gebeuren simpelweg omdat een patiënt te lang aan een bed of in een kamer is gebonden. Voor patiënten die een colorectale kankeroperatie ondergaan, wordt de uitdaging bemoeilijkt door het feit dat zij vaak binnenkomen met een mix van andere gezondheidsproblemen, een verminderde fysieke reserve en complexe sociale behoeften die een terugkeer naar huis moeilijk maken. Artsen weten al lang dat kwetsbaarheid (frailty) — een staat van verhoogde vatbaarheid voor stress — een betere voorspeller is van slechte uitkomsten dan leeftijd alleen, maar het blijft moeilijk om precies te voorspellen wie een lang ziekenhuisverblijf zal nodig hebben. Traditionele instrumenten richten zich vaak op het risico op overlijden of grote complicaties, waardoor ze de subtielere maar even schadelijke risico's van een langdurige opname missen die een patiënt zwakker achterlaat dan bij aankomst.

In een recente studie hebben onderzoekers van het Southend University Hospital en het Southmead Hospital geprobeerd een digitale tool te ontwikkelen om dit specifieke probleem op te lossen. Ze wilden weten of ze een computerprogramma konden gebruiken om naar de gezondheidsgegevens van een patiënt te kijken vóór een operatie en te voorspellen of die patiënt langer dan tien dagen in het ziekenhuis zou blijven. Het team richtte zich op 197 oudere volwassenen, allemaal 65 jaar of ouder, die werden beoordeeld voor een colorectale kankeroperatie. Uit deze groep analyseerden zij de dossiers van 149 patiënten die daadwerkelijk de operatie ondergingen. De onderzoekers verzamelden een breed scala aan informatie die beschikbaar was vóór de start van de operatie, waaronder de leeftijd van de patiënt, een maatstaf voor hun kwetsbaarheid genaamd de Clinical Frailty Scale, het aantal andere medische aandoeningen, hoeveel medicijnen zij gebruikten en hun sociale situatie, zoals waar zij woonden en welke hulp zij thuis kregen. Zij voegden ook standaard chirurgische risicoscores toe die de moeilijkheid van de operatie inschatten.

Om deze complexe mix van gegevens te begrijpen, gebruikte het team een machine learning-methode genaamd een gradient-boosted classifier. Je kunt dit zien als een computerprogramma dat leert door een reeks beslissingsbomen op te bouwen, waarbij elke nieuwe boom de fouten van de vorige corrigeert, wat uiteindelijk een zeer nauwkeurig model creëert voor het herkennen van patronen. De onderzoekers trainden dit model om onderscheid te maken tussen patiënten die een kort of gemiddeld verblijf zouden hebben en patiënten die een langdurig verblijf van meer dan tien dagen zouden hebben. Ze testten het model rigoureus door de gegevens herhaaldelijk op te splitsen in verschillende groepen om ervoor te zorgen dat de resultaten niet slechts een gelukkige gok waren. Het model bleek redelijk succesvol in zijn taak. Het identificeerde patiënten die risico liepen op een lang verblijf ongeveer 75% van de tijd, met een sensitiviteit van 66%, wat betekent dat het twee derde van de mensen die daadwerkelijk te lang bleven, oppikte. Het was ook redelijk goed in het uitsluiten van degenen die een korter verblijf zouden hebben, met een specificiteit van 75%.

De studie toonde aan dat de meest krachtige aanwijzingen voor het voorspellen van een lang verblijf niet simpelweg de leeftijd van de patiënt of het type operatie waren, maar eerder hun niveau van kwetsbaarheid en hun algemene chirurgische risicoscore. Het aantal andere gezondheidstoestanden en de mobiliteit van de patiënt speelden ook een belangrijke rol. Interessant genoeg ontdekten de onderzoekers dat hoewel het model redelijk was in het voorspellen van een binaire uitkomst — of een verblijf lang zou zijn of niet — het veel minder betrouwbaar was in het voorspellen van het exacte aantal dagen dat een patiënt in het ziekenhuis zou doorbrengen. Wanneer zij probeerden de computer te gebruiken om specifieke duurders te voorspellen, zaten de voorspellingen er vaak enkele dagen naast, wat suggereert dat de exacte lengte van een ziekenhuisverblijf wordt beïnvloed door te veel onvoorspelbare factoren om vooraf nauwkeurig te kunnen worden berekend. Dit onderscheid is cruciaal: de tool is beter in het signaleren van een risicopatiënt die extra planning nodig heeft, dan in het vertellen van een arts wanneer die patiënt precies ontslagen zal worden.

De implicaties van het kunnen identificeren van deze risicopatiënten zijn aanzienlijk. De onderzoekers schatten dat als dit model zou worden toegepast op de ongeveer 21.000 grote darmkankeroperaties die jaarlijks in Engeland en Wales worden uitgevoerd, het duizenden patiënten zou kunnen identificeren die waarschijnlijk een langdurig verblijf zullen ervaren. Een langdurige opname is niet alleen een kwestie van beschikbaarheid van ziekenhuisbedden; het is een directe bedreiging voor de onafhankelijkheid van de patiënt. De studie benadrukte dat patiënten die langer blijven, blootstaan aan hogere percentages functionele achteruitgang, delirium en andere in het ziekenhuis opgelopen complicaties. Door deze patiënten vroegtijdig te identificeren, kunnen medische teams potentieel ingrijpen met intensievere pre-operatieve voorbereiding of post-operatieve ondersteuning om hun verblijf te verkorten. Het economische argument is ook overtuigend; de onderzoekers berekenden dat het verkorten van de ligduur met slechts één dag voor 10% van deze nationale gevallen bijna £2 miljoen aan bedkosten zou besparen, een bedrag dat zou stijgen naar meer dan £5 miljoen als de reductie zou worden bereikt in 20% van de gevallen.

Ondanks deze veelbelovende resultaten merken de auteurs voorzichtig op dat deze tool nog niet klaar is voor onmiddellijk gebruik in elk ziekenhuis. De studie werd uitgevoerd in een enkel centrum en vertrouwde op retrospectieve gegevens, wat betekent dat het model werd getest op gegevens uit het verleden in plaats van op toekomstige patiënten. De prestaties van het model varieerden afhankelijk van hoe de gegevens werden getest, en de onderzoekers benadrukten dat het gevalideerd moet worden in een grotere, meer diverse groep patiënten voordat het vertrouwd kan worden om klinische beslissingen te sturen. De studie concludeert dat hoewel machine learning veelbelovend is voor het helpen van artsen bij de zorgplanning voor ouderen die een colorectale kankeroperatie ondergaan, de volgende stap is om het model in real-time, prospectieve trials te testen om te zien of handelen op basis van de voorspellingen daadwerkelijk leidt tot kortere, veiligere ziekenhuisverblijven. Tot die tijd blijft de tool een geavanceerd hulpmiddel voor risicostratificatie, dat een duidelijker beeld biedt van wie het meest kwetsbaar is voor de verborgen gevaren van een langdurige ziekenhuisopname.