Nursing Assessment–Derived Risk Profiles and VALENF Instrument–Based Classification in Adult Inpatients: A Two-Stage Machine Learning Study

Ziekenhuizen zijn plaatsen waar de complexiteit van menselijke ziekte vaak verborgen blijft achter eenvoudige labels. Een patiënt arriveert met een diagnose, maar die enkele medische term vertelt zelden het hele verhaal van wat zij nodig hebben. Twee mensen kunnen dezelfde ziekte hebben, terwijl de één sterk genoeg is om zelfstandig te lopen en te eten, terwijl de ander broos is, verward en een hoog risico loopt om te vallen of doorligwonden te ontwikkelen. Decennialang hebben medische dossiers sterk gefocust op medische diagnoses en administratieve codes, die nuttig zijn voor facturatie en het bijhouden van ziekten, maar vaak de dagelijkse realiteit van de fysieke conditie en de veiligheidsbehoeften van een patiënt missen. Verpleegkundigen zijn echter getraind om dit ontbrekende beeld te zien. Elke dag beoordelen zij hoe goed een patiënt kan bewegen, hoe groot de kans is dat iemand uitglijdt, en of de huid gevaar loopt om kapot te gaan. Deze observaties creëren een rijke, gedetailleerde kaart van de kwetsbaarheid van een patiënt die standaard medische dossiers vaak over het hoofd zien.

De uitdaging is altijd geweest hoe je deze gedetailleerde, menselijke observaties kunt omzetten in een systeem dat artsen en verpleegkundigen helpt om snellere en betere beslissingen te nemen voor duizenden patiënten. Als een verpleegkundige een patroon van risico bij één patiënt kan opmerken, kan een computer dan leren om datzelfde patroon bij de volgende patiënt te herkennen? Dit is de vraag die een team onderzoekers in Spanje probeerde te beantwoorden. Ze wilden kijken of ze de specifieke, gestructureerde aantekeningen die verpleegkundigen maken bij binnenkomst van een patiënt konden gebruiken om patiënten in duidelijke risicocategorieën in te delen. Hun doel was niet alleen om patiënten te sorteren, maar om een digitale tool te bouwen die een nieuwe patiënt automatisch aan de juiste risicogroep kan toewijzen op basis van een korte, routinematige verpleegkundige controle, zodat de meest kwetsbare mensen zonder vertraging de aandacht krijgen die zij nodig hebben.

De onderzoekers werkten met gegevens van een ziekenhuis in Spanje en keken naar duizenden ziekenhuisopnames. Ze begonnen met het verzamelen van een enorme collectie records van meer dan 2.600 patiënten. Voor elke patiënt hadden ze toegang tot de volledige, gedetailleerde verpleegkundige beoordelingen die bij opname waren uitgevoerd. Deze beoordelingen bevatten scores voor hoe goed een patiënt dagelijkse taken kon uitvoeren zoals eten en lopen, hoe groot de kans was op decubitus (doorligwonden) en het risico op vallen. Ze bevatten ook de leeftijd van de patiënt, geslacht en een score die telde hoeveel andere gezondheidsproblemen zij hadden. Met behulp van een computermethode die zoekt naar verborgen patronen zonder vooraf te worden verteld waarnaar gezocht moet worden, lieten het team de data voor zichzelf spreken. Ze vroegen de computer om natuurlijke groepen onder de patiënten te vinden op basis van deze gecombineerde factoren.

De computer vond vijf duidelijke groepen, of profielen, die zinvol waren voor menselijke experts. De eerste groep bestond uit jongere patiënten die zeer gezond en onafhankelijk waren, met bijna geen risico op vallen of doorligwonden. De tweede groep was vergelijkbaar qua fysieke onafhankelijkheid, maar bestond uit oudere patiënten met meer chronische gezondheidsproblemen. De derde groep vertegenwoordigde patiënten met matige moeilijkheden; zij konden nog enkele dingen zelf doen, maar hadden duidelijk moeite. De vierde groep omvatte patiënten die aanzienlijk afhankelijk waren van anderen voor zorg en voor hoge risico's kwamen te staan. Ten slotte was de vijfde groep de meest kwetsbare: zeer oude patiënten met veel gezondheidsproblemen die volledig afhankelijk waren van anderen voor beweging en het hoogste risico liepen op vallen en huidbeschadiging. Deze vijf categorieën vormden een duidelijke ladder van risico, bewegend van degenen die weinig hulp nodig hadden naar degenen die constante, intensieve zorg nodig hadden.

Zodra deze vijf groepen waren vastgesteld, stonden de onderzoekers voor een nieuwe taak. Ze hadden een manier nodig om nieuwe patiënten aan deze groepen toe te wijzen zonder elke keer de volledige, tijdrovende gedetailleerde beoordeling te hoeven uitvoeren. Ze maakten gebruik van een korter instrument genaamd de VALENF-instrument, een zeven-items checklist die verpleegkundigen routinematig gebruiken. Deze checklist stelt eenvoudige vragen die dezelfde risico's inschatten als de langere, meer gedetailleerde tests. Het team trainde een computerprogramma om naar de antwoorden op deze zeven vragen te kijken en te voorspellen in welke van de vijf risicogroepen een patiënt thuishoorde. Ze testten verschillende soorten computerleer-algoritmen, waarbij ze zochten naar de algoritme die het meest accuraat was en, cruciaal, degene die de veiligste fouten maakte.

In de wereld van risicobeoordeling kan een fout twee kanten opgaan: de computer kan denken dat een patiënt veilig is terwijl deze eigenlijk een risico loopt, of de computer kan denken dat een patiënt een risico loopt terwijl deze eigenlijk veilig is. De onderzoekers ontdekten dat één specifiek type algoritme, bekend als een 'random forest', de beste keuze was. Hoewel een andere methode iets nauwkeuriger was in algemene zin, was de random forest beter in het voorzichtig zijn. Het was eerder geneigd een patiënt aan een hogere risicogroep toe te wijzen als er enige twijfel bestond, in plaats van per ongeluk een kwetsbaar persoon in een lage risicocategorie te plaatsen. Deze "veiligheid-eerst"-benadering is essentieel in een ziekenhuisomgeving, waar het missen van een risico ernstige gevolgen kan hebben. Het gekozen computermodel wijsde patiënten ongeveer 82 procent van de tijd correct toe aan hun risicogroepen tijdens het testen, een prestatieniveau dat de onderzoekers sterk genoeg vonden om verder te gaan.

Om te zien of dit systeem in de echte wereld zou werken, testte het team het op een volledig nieuwe set patiënten, bestaande uit meer dan 8.000 ziekenhuisopnames die enkele jaren later waren geregistreerd. Ze hebben het computerprogramma niet gewijzigd; ze voerden simpelweg de nieuwe gegevens in om te zien wat er gebeurde. De resultaten waren bemoedigend. Het systeem sorteerde de nieuwe patiënten succesvol in de vijf risicogroepen, en het algemene risicopatroon bleef consistent. De patiënten in de hoog-risicogroepen waren inderdaad ouder, hadden meer gezondheidsproblemen en waren minder mobiel dan die in de laag-risicogroepen. De toewijzingen van de computer kwamen in de overgrote meerderheid van de gevallen overeen met de klinische realiteit van de condities van de patiënten.

Het onderzoek onthulde echter ook enkele belangrijke nuances. Het systeem werkte het beste voor de patiënten in de middelste en hoge risicocategorieën. Voor de twee groepen patiënten die over het algemeen gezond waren, verschoof de computer hen soms tussen de categorieën "laag risico" en "laag risico met gezondheidsproblemen". Dit gebeurde omdat de nieuwe groep patiënten iets ouder was en iets meer chronische gezondheidsproblemen had dan de oorspronkelijke groep waarop de computer was getraind. Terwijl de computer de complexe, hoog-risico gevallen met grote stabiliteit afhandelde, lieten de subtiele verschillen in de gezondere populatie zien dat het systeem gevoelig is voor veranderingen in de patiëntenmix. De onderzoekers merkten op dat hoewel het instrument technisch solide en klinisch logisch is, het nog geen afgewerkt product is dat klaar is voor elk ziekenhuis.

De studie concludeert dat het mogelijk is om het complexe, multidimensionale beeld van de gezondheid van een patiënt te vertalen naar een eenvoudig, geautomatiseerd risicoprofiel met behulp van routinematige verpleegkundige gegevens. De vijf geïdentificeerde groepen bieden een duidelijke, geordende manier om de kwetsbaarheid van een patiënt te begrijpen, waarbij verder wordt gekeken dan eenvoudige medische diagnoses om de realiteit van dagelijks functioneren en veiligheid te vatten. De computer tool die is ontwikkeld om deze profielen toe te wijzen, werkt goed, met name voor het identificeren van degenen die de meeste zorg nodig hebben. Toch benadrukken de onderzoekers dat dit een startpunt is, geen definitieve oplossing. Voordat een dergelijk systeem gebruikt kan worden om beslissingen over patiëntenzorg in ziekenhuizen te nemen, moet het in veel verschillende ziekenhuizen worden getest en in de loop van de tijd worden gemonitord om te garanderen dat het de uitkomsten verbetert en geen nieuwe problemen creëert. Het werk bewijst dat het idee haalbaar is en dat de data aanwezig zijn, maar de weg van een succesvol computerexperiment naar een vertrouw been deel van de dagelijkse verpleegkundige zorg vereist verder bewijs en zorgvuldige planning.