Machine learning-based identification of key risk factors for deep vein thrombosis within one week after total joint arthroplasty in elderly patients

Elk jaar ondergaan miljoenen ouderen grote operaties om versleten heup- of kniegewrichten te vervangen, een procedure die de mobiliteit herstelt en pijn verlicht. Het herstelproces draagt echter een verborgen gevaar met zich mee: de vorming van bloedstolsels in de diepe aderen van de benen, een aandoening die bekend staat als diepe veneuze trombose. Voor oudere patiënten is deze complicatie bijzonder ernstig. Het kan de ziekenhuisopname verlengen, de medische kosten verhogen en, in ernstige gevallen, leiden tot levensbedreigende gebeurtenissen als een stolsel naar de longen reist. Artsen vertrouwen al lang op standaard checklists om in te schatten wie het meeste risico loopt, maar deze instrumenten behandelen alle patiënten die een gewrichtsvervanging ondergaan vaak hetzelfde, door hen allemaal als hoog risico te bestempelen zonder onderscheid te maken tussen wie werkelijk in gevaar is. Dit gebrek aan precisie maakt het moeilijk om het juiste niveau van bescherming te bieden voor elk individu.

Om dit op te lossen, richtten onderzoekers zich op een tak van de informatica genaamd machine learning (machinaal leren). In plaats van een vaste set regels te volgen, leren deze computerprogramma's van enorme hoeveelheden gegevens uit het verleden van patiënten om complexe patronen te vinden die menselijke waarnemers mogelijk missen. Het doel is om een digitale tool te bouwen die de medische geschiedenis, de resultaten van bloedonderzoek en details van de operatie van een patiënt kan bekijken om met hoge nauwkeurigheid te voorspellen of zij binnen de eerste week na de operatie een bloedstolsel zullen ontwikkelen. Door de specifieke factoren te identificeren die er het meest toe doen, zou een dergelijke tool artsen kunnen helpen bij het afstemmen van preventiestrategieën, zodat zij die extra zorg nodig hebben die ook daadwerkelijk ontvangen, terwijl onnodige behandeling voor hen die dat niet nodig hebben, wordt vermeden.

Een team van onderzoekers van de University of Science and Technology of China zette zich in om een dergelijke tool te bouwen en te testen. Zij verzamelden informatie over 3.050 oudere patiënten, allen 60 jaar of ouder, die in 2024 een totale artroplastie van een gewricht hadden ondergaan in één enkel ziekenhuis. Het team verzamelde een breed scala aan gegevenspunten voor elke persoon, waaronder leeftijd, geslacht, lichaammasse-index en een medische geschiedenis van aandoeningen zoals diabetes of kanker. Ze haalden ook specifieke cijfers uit preoperatieve bloedtesten, zoals niveaus van ontsteking en bloedstollingsfactoren, en legden details uit de operatiekamer vast, waaronder de duur van de operatie, of er botcement werd gebruikt en of er een tourniquet werd toegepast om de bloedstroom tijdens de procedure te stoppen. De uitkomst die zij probeerden te voorspellen was eenvoudig maar cruciaal: ontwikkelde de patiënt binnen zeven dagen na de operatie een bloedstolsel in het been, zoals bevestigd door een echografie?

Om hun computermodellen te trainen, moesten de onderzoekers een veelvoorkomend probleem in medische gegevens aanpakken: de meeste patiënten ontwikkelen geen stolsels, terwijl een kleiner aantal dat wel doet. Deze onbalans kan een lerend algoritme in verwarring brengen. Om dit op te lossen, gebruikten ze een techniek die synthetische voorbeelden creëert van de minder voorkomende groep, waardoor de dataset effectief wordt gebalanceerd zodat de computer beide kanten gelijk kan leren kennen. Vervolgens verdeelden ze de gegevens: het merendeel werd gebruikt om vier verschillende soorten machine learning-algoritmen te leren hoe ze voorspellingen moeten doen, terwijl de rest werd bewaard om te testen hoe goed die voorspellingen werkten op nieuwe, onbekende patiënten. De vier algoritmen die zij testten, omvatten een traditionele statistische methode bekend als logistische regressie, een beslisboom die een reeks ja-of-nee-vragen stelt, een random forest die veel beslisbomen combineert, en een krachtige methode genaamd XGBoost, die een zeer nauwkeurig model bouwt door te leren van zijn eigen fouten.

Toen het team de resultaten vergeleken, viel één model duidelijk op. Het XGBoost-algoritme bleek het meest effectief; het identificeerde correct de grote meerderheid van de patiënten die wel en niet een stolsel zouden ontwikkelen. Het bereikte een nauwkeurigheidsniveau dat de andere methoden ver overtrof, inclusief de traditionele statistische benadering die moeite had met het vastleggen van de complexe relaties tussen de verschillende risicofactoren. Het random forest-model presteerde goed, maar was niet even precies, terwijl de beslisboom en het traditionele statistische model aanzienlijk achterbleven. De superieure prestaties van het XGBoost-model suggereren dat het risico op het ontwikkelen van een stolsel niet wordt gedreven door één enkele factor, maar door een complex web van interacties dat alleen een geavanceerd computerprogramma kan ontwarren.

Om te begrijpen waarom dit model zo goed werkte, gebruikten de onderzoekers een methode om de lagen van het algoritme af te pellen en te zien welke specifieke stukken informatie de voorspellingen aanstuurden. Zij ontdekten dat de meest invloedrijke factoren niet de duur van de operatie of het gebruik van botcement waren, zoals men zou verwachten, maar eerder het preoperatieve bloedonderzoek van de patiënt. Specifiek waren de tijd die het bloed nodig had om te stollen, het niveau van een eiwit genaamd C-reactief proteïne (dat wijst op ontsteking) en de hoeveelheid van een stof genaamd D-dimeer de sterkste voorspellers. Ook het geslacht van de patiënt speelde een belangrijke rol, waarbij vrouwen in deze groep een hoger risico vertoonden dan mannen. Deze bevindingen sluiten aan bij wat bekend is over de interactie tussen ontsteking en bloedstolling in het lichaam, wat suggereert dat de interne staat van een patiënt vóór de operatie een betrouwbaardere indicator is voor vroegtijdig risico dan de details van de operatie zelf.

De studie concludeert dat deze machine learning-benadering een veelbelovende manier biedt om de patiëntenzorg te verbeteren. Door een model te gebruiken dat nauwkeurig door complexe medische gegevens kan zoeken, kunnen artsen binnenkort oudere patiënten met een hoog risico op bloedstolsels identificeren met veel grotere precisie dan de huidige methoden toelaten. Dit zou meer gerichte preventiestrategieën mogelijk maken, waarbij de middelen worden gericht op degenen die ze het hardst nodig hebben. Hoewel de onderzoekers opmerken dat hun werk gebaseerd is op gegevens van één enkel ziekenhuis en verdere tests in grotere groepen vereist om de betrouwbaarheid te bevestigen, bieden de resultaten een sterk fundament voor een nieuw tijdperk van gepersonaliseerde risicobeoordeling in de orthopedische chirurgie. De weg vooruit houdt in dat deze bevindingen over verschillende medische centra gevalideerd moeten worden om te garanderen dat de tool voor iedereen werkt, maar het potentieel om een gevaarlijke complicatie te voorkomen door betere voorspelling is nu binnen handbereik.