Uncertainty-Aware Multi-Outcome Screening for Undiagnosed Cardiometabolic Disease in the United States Population Using NHANES

Miljoenen volwassenen in de Verenigde Staten leven met ernstige gezondheidstoestanden waarvan zij het niet weten. Ziekten zoals diabetes, een hoge bloeddruk en een hoog cholesterolgehalte ontwikkelen zich vaak geruisloos, waarbij de chemie van het lichaam verandert lang voordat een persoon zich ziek voelt of een symptoom opmerkt. Tegen de tijd dat deze problemen worden ontdekt, kunnen ze al schade hebben veroorzaakt aan het hart, de nieren of de bloedvaten. Volksgezondheidsfunctionarissen weten al lang dat het vroegtijdig opsporen van deze verborgen aandoeningen cruciaal is, maar het screenen van de gehele populatie is een enorme logistieke uitdaging. Artsen kunnen niet iedereen testen op elke ziekte bij elk bezoek, en eenvoudige vragenlijsten schieten vaak tekort. De kern van de moeilijkheid ligt in het balanceren van nauwkeurigheid met vertrouwen: een computerprogramma kan misschien voorspellen wie een risico loopt, maar als het programma niet zeker is van zijn eigen antwoord, kan een arts er niet naar handelen zonder het risico op onnodige paniek of gemiste diagnoses te lopen.

Een team van onderzoekers zette zich scharpe om dit probleem op te lossen door een nieuw soort screeningssysteem te bouwen dat niet alleen raadt wie ziek is, maar ook weet wanneer het een gok doet. Met behulp van gegevens uit een massale nationale gezondheidsenquête trainden ze computermodellen om tekenen te zoeken van vijf verschillende ongediagnosticeerde aandoeningen. Wat hun aanpak uniek maakte, was dat ze een laag van "onzekerheid" aan de voorspellingen toevoegden. In plaats van voor elke persoon een ja-of-nee-antwoord af te dwingen, werd het systeem zo ontworpen dat het toegaf wanneer het niet zelfverzekerd genoeg was om een beslissing te nemen. Dit stelde de onderzoekers in staat om mensen die veilig vrijgesteld konden worden te scheiden van mensen die verdere tests nodig hadden, waardoor een vangnet ontstond dat standaard computermodellen vaak missen.

De onderzoekers wenden zich tot de National Health and Nutrition Examination Survey, een langlopende studie die duizenden Amerikanen interviewt en onderzoekt om de gezondheid van het land te volgen. Ze richtten zich op gegevens verzameld tussen 2011 en 2014 en stelden een groep samen van meer dan 20.000 volwassenen. Hun doel was om mensen te vinden die aan de medische criteria voor een ziekte voldeden, maar die nooit door een arts te horen hadden gekregen dat zij deze hadden. Ze definieerden vijf specifieke doelstellingen: ongediagnosticeerde diabetes, ongediagnosticeerde hoge bloeddruk, ongediagnosticeerde hoge cholesterol, een risico op nierziekte, en een gecombineerde categorie voor iedereen met ten minste één van deze verborgen problemen. Om ervoor te zorgen dat hun computermodellen werkelijk screenen op ziekte en niet alleen de testresultaten zelf als aanwijzing gebruiken om de ziekte te voorspellen, verboden ze de modellen strikt om de specifieke bloedtest die de ziekte definieert als aanwijzing te gebruiken om deze te voorspellen. Om bijvoorbeeld ongediagnosticeerde diabetes te voorspellen, kon het model de leeftijd en het gewicht van een persoon zien, maar mocht het de bloedsuikerspiegel niet zien, wat precies is wat wordt gebruikt om de ziekte te diagnosticeren.

Om te testen hoe goed deze modellen in de echte wereld zouden werken, simuleerde het team drie verschillende omgevingen waarin een arts ze zou kunnen gebruiken. De eerste setting was een gemeenschapsenquête, waarbij alleen basisinformatie zoals leeftijd, inkomen en medische geschiedenis beschikbaar was. De tweede setting voegde gegevens van een routine fysiek onderzoek toe, zoals bloeddruk en middelomtrek. De derde setting, die een volledig klinisch bezoek vertegenwoordigt, bevatte veelvoorkomende laboratoriumresultaten zoals cholesterolwaarden. Ze testten zes verschillende soorten computeralgoritmen, variërend van eenvoudige statistische formules tot complexe kunstmatige intelligentienetwerken die patronen in gegevens leren vinden. De resultaten lieten zien dat naarmate er meer gedetailleerde informatie beschikbaar kwam, de modellen aanzienlijk beter werden in het opsporen van de verborgen ziekten. Wanneer de modellen toegang hadden tot volledige laboratoriumresultaten, konden de meest geavanceerde boom-gebaseerde algoritmen bijna alle gevallen van ongediagnosticeerde hoge cholesterol en hoge bloeddruk correct identificeren, met AUC-scores die respectievelijk 0,984 en 0,977 bereikten.

De belangrijkste ontdekking was echter niet alleen hoe nauwkeurig de modellen waren, maar hoe ze omgingen met hun eigen vertrouwen. De onderzoekers gebruikten een methode genaamd conformal prediction om een mate van zekerheid aan elke voorspelling te koppelen. Dit systeem garandeert dat wanneer het model zegt dat het zelfverzekerd is, het in ten minste 90 procent van de gevallen gelijk heeft. Toen ze dit op hun resultaten toepasten, ontstond er een opvallend verschil tussen de modellen. De meest geavanceerde boom-gebaseerde modellen waren in staat om voor bijna iedereen zelfverzekerde beslissingen te nemen, waarbij slechts een klein deel van de mensen als onzeker werd gemarkeerd. In tegenstelling hiertoe was een eenvoudiger model gebaseerd op standaard statistiek zo onzeker over zijn antwoorden dat het bijna 60 procent van de mensen moest markeren voor verdere tests om hetzelfde niveau van veiligheid te handhaven. Dit betekende dat hoewel beide modellen op papier even goed zouden lijken bij het meten van pure nauwkeurigheid, het eenvoudigere model een kliniek zou overbelasten met verwijzingen, terwijl het slimme model patiënten efficiënt kon sorteren.

De studie onthulde ook dat de verborgen last van ziekte in de Verenigde Staten aanzienlijk is. Wanneer de onderzoekers hun bevindingen toepasten op de nationale populatie, schatten ze dat ongeveer één op de vier Amerikaanse volwassenen ten minste één van deze cardiometabole aandoeningen heeft zonder het te weten. Het meest voorkomende verborgen probleem was een hoge cholesterol, wat ongeveer 13,7 procent van de populatie treft, gevolgd door een hoge bloeddruk op 13,5 procent. Ongediagnosticeerde diabetes kwam minder vaak voor, maar was nog steeds significant met 3,1 procent. Deze cijfers bevestigen dat een groot deel van de bevolking rondloopt met stille risicofactoren die beheersbaar zouden kunnen zijn als ze slechts vroegtijdig werden gedetecteerd.

De onderzoekers onderzochten ook hoe de computermodellen over de gegevens "denken". Ze keken naar de interne representaties die hun neurale netwerken creëerden en ontdekten dat deze modellen de ziekte niet zagen als een reeks aparte, afzonderlijke boxen. In plaats daarvan leerden de modellen dat cardiometabole gezondheid bestaat als een continuüm. Een persoon kan een beetje hoge bloeddruk en een beetje hoog cholesterol hebben, en het model begreep dit als een enkele, vloeiende last van risico in plaats van een verzameling ongerelateerde problemen. Dit inzicht suggereert dat deze aandoeningen diep met elkaar verbonden zijn en in de loop van de tijd accumuleren op een manier die eenvoudige checklists zouden missen.

Uiteindelijk laat de studie zien dat de toekomst van medische screening niet alleen ligt in het bouwen van slimmere algoritmen, maar in het bouwen van systemen die weten wanneer ze moeten stoppen en om hulp moeten vragen. Door hoge nauwkeurigheid te combineren met een duidelijk signaal van onzekerheid, kunnen deze instrumenten artsen helpen beslissen wie een snelle controle nodig heeft en wie een volledig onderzoek nodig heeft. Het onderzoek suggereert dat een getrapt proces het beste werkt: beginnen met eenvoudige vragen in de gemeenschap om diegenen te vinden die nauwere aandacht nodig hebben, en vervolgens overgaan naar lichamelijk onderzoek en laboratoriumtests voor degenen die als hoog risico zijn gemarkeerd. Deze methode zorgt ervoor dat middelen efficiënt worden ingezet, waarbij de meest kwetsbare mensen worden beschermd tegen het worden gemist, terwijl onnodige testen voor de gezonde mensen worden vermeden. Het werk biedt een praktisch blauwdruk voor hoe kunstmatige intelligentie in de geneeskunde te gebruiken, niet als vervanging voor artsen, maar als een betrouwbare partner die zijn eigen grenzen kent.