A Machine Learning Model for Predicting In-Hospital Mortality among ICU Patients with Cirrhosis and Sepsis

Wanneer de lever van een persoon ernstig beschadigd is door cirrose, verzwakt het vermogen van het lichaam om infecties te bestrijden aanzienlijk. De lever fungeert normaal gesproken als een filter en een fabriek voor immuuneiwitten, maar wanneer deze faalt, kunnen bacteriën die normaal gesproken in de darmen blijven, in de bloedbaan terechtkomen, wat een lichaamswijd alarmtoestand triggert die bekend staat als sepsis. Deze combinatie van een falende lever en een razende infectie is een dodelijke val voor patiënten op de intensive care. Artsen vertrouwen al lang op standaard scoringssystemen om in te schatten hoe ziek een patiënt is en hoe groot de kans op overleving is. Deze systemen nemen een momentopname van de vitale functies en laboratoriumresultaten van een patiënt en tellen deze bij elkaar op als een eenvoudige checklist om een risicoscore toe te kennen. Deze traditionele instrumenten worstelen echter vaak met de unieke complexiteit van leverziekte, waarbij chronische problemen acute crises kunnen maskeren, waardoor het moeilijk is om de patiënten te signaleren die op het punt staan een verslechtering te ondergaan.

Een team van onderzoekers zette zich scharpe op een slimmere manier om te voorspellen wie zou overleven en wie niet. Ze wenden zich tot machine learning, een vorm van computerwetenschap waarbij algoritmen patronen leren uit enorme hoeveelheden data in plaats van strikte, vooraf geschreven regels te volgen. Het doel was om een model te creëren dat naar de eerste vierentwintig uur van de tijd van een patiënt op de intensive care kon kijken en nauwkeurig de kans kon inschatten op overlijden vóór het verlaten van het ziekenhuis. Door de computer routineuze klinische gegevens te voeden — zoals bloedtestresultaten, hartslag, urineproductie en of de patiënt een infectie in de bloedbaan had — hoopten de onderzoekers subtiele verbanden te ontdekken die menselijke artsen of eenvoudige checklists zouden kunnen missen.

De studie begon met het verzamelen van gegevens uit twee zeer verschillende bronnen. De eerste was een enorme, publiek toegankelijke database met gegevens van duizenden intensive care-patiënten in de Verenigde Staten. De tweede was een kleinere, onafhankelijke groep patiënten van een ziekenhuis in Wuhan, China. Deze tweeledige aanpak stelde het team in staat om hun computermodel te trainen op een grote groep en het vervolgens te testen op een volledig andere groep om te zien of het in een andere omgeving zou werken. Ze richtten zich specifiek op volwassenen die zowel cirrose als sepsis hadden, waarbij zijgenen die minder dan een dag op de intensive care bleven uitsloten, aangezien het model is ontwor�ien om voorspellingen te doen op basis van de eerste volledige dag van zorg.

De onderzoekers trainden zeven verschillende computeralgoritmen, variërend van eenvoudige statistische methoden tot complexe, boomgebaseerde leersystemen. Ze vroegen elk algoritme om te leren van de trainingsdata en testten ze vervolgens om te zien welk algoritme het beste tussen overlevende patiënten en niet-overlevende patiënten kon onderscheiden. De resultaten lieten zien dat één specif kind algoritme, bekend als XGBoost, alle anderen overtrof. Dit model gokte niet alleen; het leerde het belang van verschillende factoren op een complexe, niet-lineaire manier te wegen. Bijvoorbeeld, terwijl een standaardscore een hoog niveau van bilirubine (een geel pigment in het bloed dat op leverproblemen wijst) zou behandelen als slechts één punt op een schaal, begreep het machine learning-model hoe dit niveau interacteerde met andere factoren, zoals de stollingstijd van het bloed en de aanwezigheid van infectie, om een specifiek risicoprofiel te creëren.

Wanneer getest op de interne groep patiënten, identificeerde het XGBoost-model de uitkomst met een hoge mate van nauwkeurigheid. Belangrijker nog, toen de onderzoekers hetzelfde model toepasten op de onafhankelijke groep patiënten uit het Chinese ziekenhuis, presteerde het nog steeds goed, wat bewees dat de patronen die het leerde niet slechts een toevalstreffer waren van de eerste dataset. Het vermogen van het model om overlevers van niet-overlevers te scheiden, was significant beter dan de traditionele scoringssystemen die momenteel in ziekenhuizen worden gebruikt. De standaardscores, die breed vertrouwd worden, slaagden er niet in het volledige beeld van het risico te vatten bij deze complexe patiënten, waarbij ze de subtiele waarschuwingssignalen die het machine learning-model opving, vaak misten.

Om te begrijpen waarom de computer de beslissingen nam die hij nam, gebruikten de onderzoekers een hulpmiddel dat werkt als een spotlight, die accentueert welke variabelen het belangrijkst waren voor elke voorspelling. Ze ontdekten dat de meest kritieke factoren onder meer waren of de patiënt een kandidaat was voor een levertransplantatie, het niveau van bilirubine in het bloed, hoe lang het bloed nodig had om te stollen, of er een infectie in de bloedbaan aanwezig was en hoeveel urine de patiënt produceerde. Deze bevindingen komen overeen met de medische intuïtie, maar bieden een precieze, op data gebaseerde bevestiging van hun belang. Bijvoorbeeld, het model leerde dat een patiënt met een infectie in de bloedbaan en een lage urineproductie een veel groter risico liep dan iemand met slechts één van die problemen, een nuance die eenvoudige optelbare scores vaak missen.

De studie onthulde ook dat de specifieke oorzaak van de leverziekte ertoe deed. Patiënten wier cirrose werd veroorzaakt door chronische virale hepatitis hadden andere overlevingskansen dan patiënten wier leverschade voortkwam uit alcohol. Deze variatie in de patiëntenpopulaties tussen de twee ziekenhuizen verklaarde sommige van de verschillen in de prestaties van het model, maar het model bleef robuust genoeg om bruikbaar te zijn voor beide groepen. De onderzoekers merkten op dat het model zeer specifiek was — wat betekent dat het erg goed was in het identificeren van patiënten die zouden overleven — maar minder sensitief was in het vangen van elke patiënt die uiteindelijk zou overlijden. Dit suggereert dat het instrument uitstekend is voor het uitsluiten van patiënten met een laag risico, maar dat het nog steeds enkele hoogrisicopatiënten kan missen die na de eerste dag snel achteruitgaan.

Uiteindelijk demonstreert dit onderzoek dat machine learning een meer genuanceerde en nauwkeurige manier kan bieden om het risico in te schatten voor sommige van de meest kwetsbare patiënten in het ziekenhuis. Door de eerste dag van zorg te analyseren, biedt het model een duidelijker beeld van de toekomst dan de huidige standaardmethoden. Het vervangt het oordeel van de arts niet, maar biedt een krachtig tweede oordeel, gegrond in de patronen van duizenden eerdere gevallen. De studie concludeert dat dergelijke instrumenten medische teams kunnen helpen om hoogrisicopatiënten eerder te identificeren, wat meer tijdige en gerichte interventies mogelijk maakt. Hoewel het model geen perfecte kristallen bol is, vertegenwoordigt het een belangrijke stap voorwaarts in het gebruik van data om de onzekerheid in de acute zorg te navigeren, waarbij ruwe cijfers worden omgezet in bruikbare inzichten die levens kunnen redden.