An interpretable machine learning model for early sepsis prediction in patients with heart failure and type 2 diabetes: a retrospective cohort study

Op de intensive care, waar de belangen het grootst zijn en tijd de meest kostbare hulpbron is, wegen artsen voortdurend de delicate balans af tussen de chronische aandoeningen van een patiënt en nieuwe, acute bedreigingen. Twee van de meest voorkomende en veeleisende chronische aandoeningen zijn hartfalen, waarbij het hart moeite heeft om bloed effectief rond te pompen, en type 2 diabetes, een aandoening waarbij het lichaam de suikerspiegels niet goed kan beheren. Wanneer deze twee condities samen voorkomen, creëren ze een perfecte storm van kwetsbaarheid. Het vermogen van het lichaam om infecties te bestrijden is al aangetast door de belasting voor het hart en de metabole chaos van diabetes, waardoor deze patiënten veel vatbaarder zijn voor sepsis. Sepsis is een levensbedreigende reactie op een infectie die snel organen kan doen uitvallen en tot de dood kan leiden. Omdat het venster om sepsis te behandelen smal is, is vroege identificatie cruciaal, maar huidige instrumenten slagen er vaak niet in om de waarschuwingssignalen bij deze specifieke groep patiënten te ontdekken voordat het te laat is.

Een team van onderzoekers zette zich schare om een nieuw soort vangnet te bouwen voor deze patiënten, een dat de subtiele signalen zou kunnen horen die verborgen liggen in de medische gegevens van een patiënt. Ze wenden zich tot machine learning, een tak van kunstmatige intelligentie waarbij computers leren patronen te herkennen door enorme hoeveelheden eerdere voorbeelden te bestuderen, in plaats van een rigide set regels te volgen die door mensen zijn geschreven. Het doel was om een systeem te creëren dat naar de routinegegevens kon kijken die worden verzameld wanneer een patiënt met hartfalen en diabetes de intensive care binnenkomt en met redelijke nauwkeurigheid kon voorspellen of zij sepsis zouden ontwikkelen. In tegen tegenstelling tot veel complexe computermodellen die fungeren als "black boxes" – die een antwoord geven zonder uit te leggen waarom – wilde dit team een systeem creëren dat ook zijn werk kon laten zien, door precies aan te wijzen welke factoren de balans richting gevaar deden doorslaan.

De onderzoekers begonnen met het verzamelen van gegevens uit twee enorme, publiekelijk beschikbare databases met gegevens van duizenden intensive care-patiënten in de Verenigde Staten. Ze richtten zich specifelijk op volwassenen die waren opgenomen met zowel hartfalen als type 2 diabetes. Vanuit een selectie van meer dan 9.000 potentiële kandidaten beperkten ze hun focus tot 7.806 patiënten uit één database om hun model te bouwen, en testten het vervolgens op een aparte groep van 633 patiënten uit een andere set ziekenhuizen om te zien of het stand zou houden in de echte wereld. Ze keken naar een breed scala aan informatie die werd vastgelegd tijdens de eerste 24 uur van het verblijf van een patiënt, inclusale vitale functies zoals hartslag en temperatuur, resultaten van bloedonderzoeken en of de patiënt aan een beademingsmachine lag.

Om de belangrijkste aanwijzingen te vinden, hebben de onderzoekers niet simpelweg geraden welke factoren ertoe deden. Ze gebruikten een rigoureus proces om door de gegevens te zeven, waarbij ze verschillende statistische methoden vergeleken om te zien welke variabelen consistent naar sepsis wezen. Dit proces bracht een lange lijst van mogelijkheden terug tot slechts zeven belangrijke indicatoren. Deze omvatten of de patiënt een acuut nierfalen had, of de patiënt een mechanische ventilator gebruikte om te helpen ademen, hun witte bloedcelgetal, hun lichaamstemperatuur, hun bewustzijnsniveau gemeten met een standaard schaal, een maat voor de zuur-basebalans in hun bloed, en het lactaatgehalte, een stof die zich opbouwt wanneer weefsels niet genoeg zuurstof krijgen.

Het team trainde vervolgens zeven verschillende algoritmen om te leren van deze zeven indicatoren. Ze testten elk algoritme om te zien welk het beste het verschil kon maken tussen patiënten die sepsis zouden ontwikkelen en patiënten die dat niet zouden doen. Eén algoritme, bekend als XGBoost, kwam als het meest betrouwbaar uit de bus. In de initiële testfase identificeerde het het risico correct in ongeveer 71 procent van de gevallen. Toen de onderzoekers ditzelfde model toepasten op de aparte groep patiënten uit de andere ziekenhuizen, behield het een respectabele prestatie en identificeerde het het risico correct in ongeveer 66 procent van de gevallen. Hoewel dit niet perfect is, vormt het een betekenende stap voorwaarts voor een groep patiënten die voorheen geen gespecialiseerd hulpmiddel hadden om artsen te helpen het gevaar vroegtijdig op te merken.

Wat dit werk bijzonder waardevol maakt, is dat de onderzoekers niet stopten bij de voorspelling. Ze gebruikten een techniek genaamd SHAP om de "black box" te openen en precies te zien hoe het model zijn beslissingen nam. Ze ontdekten dat de computer niet willekeurig gokte, maar dezelfde zaken prioriteit gaf als een ervaren arts, maar dan met een wiskundige precisie. Het model bepaalde dat acuut nierfalen, een lager bewustzijnsniveau en een hoog aantal witte bloedcellen de sterkste signalen van naderende sepsis waren. Het leerde ook dat het lichaamstemperatuur op een specifieke manier uitmaakte: zowel een hoge koorts als een gevaarlijk lage temperatuur waren waarschuwingssignalen, terwijl een normale temperatuur geruststellend was. Op dezelfde manier herkende het dat hoge lactaatwaarden en de noodzaak voor een beademingsmachine het risico aanzienlijk verhoogden.

De onderzoekers merkten zorgvuldig op dat hoewel hun model goed presteerde, het nog niet klaar is om het oordeel van een arts te vervangen of om zelfstandig behandelbeslissingen te nemen. De externe tests toonden aan dat, hoewel het model nuttig is, het niet onfeilbaar is en verder getest moet worden in verschillende ziekenhuizen en met verschillende patiëntenpopulaties voordat het in de dagelijkse klinische praktijk kan worden gebruikt. De studie dient als een bewijs van concept, dat aantoont dat het mogelijk is om een interpreteerbaar instrument te bouwen dat routinematige, alledaagse medische gegevens gebruikt om hoogrisicopatiënten met hartfalen en diabetes te signaleren. Door de specifieke combinatie van nierfalen, ademhalingsproblemen en veranderingen in de bloedchemie te belichten die problemen signaleren, biedt dit werk een nieuwe manier om clinici te helpen een stap voor te blijven op een conditie die te snel beweegt om genegeerd te worden.