A spatiotemporally validated machine-learning score for venous thromboembolism risk after neurosurgery
Deze studie heeft een beknopte, interpreteerbare vier-variabele machine-learning score ontwikkeld en spatiotemporeel gevalideerd die de Caprini-score overtreft in het voorspellen van het risico op postoperatieve veneuze tromboembolie voor neurochirurgische patiënten.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Na een grote operatie aan de hersenen of de wervelkolom gaat het lichaam in een staat van verhoogde paraatheid. Terwijl het chirurgisch team zich concentreert op het herstellen van de delicate structuren van het zenuwstelsel, kan het bloed van de patiënt gevaarlijk gevoelig worden voor stolling. Deze stolsels, bekend als veneuze trombo-embolie, kunnen zich in de benen vormen en naar de longen reizen, wat een levensbedreigend risico vormt. Decennialang hebben artsen vertrouwd op een standaard checklist genaamd de Caprini-score om in te schatten welke patiënten het meest waarschijnlijk deze stolsels zullen ontwikkelen. Dit hulpmiddel telt punten op basis van factoren zoals leeftijd, het type operatie en andere gezondheidstoestanden. Echter, in de complexe wereld van de neurochirurgie werkt deze checklist vaak als een rookmelder die te gevoelig is en voor bijna iedereen hard afgaat. Omdat bijna elke neurochirurgische patiënt genoeg vakjes aanvinkt om als "hoog risico" te worden bestempeld, worstelen artsen met de vraag wie echt agressieve preventie nodig heeft en wie met lichtere zorg veilig zou kunnen zijn. Dit gebrek aan precisie kan leiden tot onnodige behandelingen of, omgekeerd, gemiste kansen om de meest kwetsbaren te beschermen.
Een team van onderzoekers van het Huashan Hospital in Shanghai, werkend met gegevens uit een grote publieke medische database, zette zich in om een betere manier te ontwikkelen om patiënten te sorteren. Ze wenden zich tot machine learning, een methode waarbij computers patronen leren van enorme hoeveelheden historische gegevens, om de specifieke signalen te vinden die werkelijk stolling voorspellen in deze unieke groep. In plaats van te vertrouwen op een lange lijst met variabelen, trainden ze hun computermodellen om de kleinste hoeveelheid factoren te identificeren die nog steeds een duidelijk beeld van het risico geven. Het resultaat was een nieuw, gestroomlijnd scoresysteem dat slechts vier stukjes informatie gebruikt: de leeftijd van de patiënt, hun lichaammasseversterkte (BMI), of zij een bloedtransfusie ontvingen tijdens of na de operatie, en het hoogste niveau van een specifiek eiwit in hun bloed genaamd D-dimer. Dit eiwit fungeert als een marker voor de mate waarin er stolling plaatsvindt in het lichaam.
De onderzoekers testten deze nieuwe vier-factoren-score tegen de oude Caprini-checklist met behulp van duizenden patiëntendossiers. Ze trainden het systeem eerst op gegevens van hun eigen ziekenhuis, testten het vervolgens op een aparte groep patiënten van hetzelfde ziekenhuis die op een later tijdstip werden behandeld, en valideerden het tot slot op een volledig onafhankelijke set patiënten uit een andere database in de Verenigde Staten. In elke test bleek de nieuwe score nauwkeuriger in het onderscheiden van patiënten die stolsels zouden ontwikkelen en patiënten die dat niet zouden doen. Terwijl de traditionele Caprini-score het risico in ongeveer twee derde van de gevallen correct identificeerde, verbeterde de nieuwe machine-learning-score deze nauwkeurigheid aanzienlijk door het risico in ongeveer drie vierde van de gevallen correct te identificeren. Belangrijker nog was dat het nieuwe hulpmiddel beter was in het opsporen van de patiënten die daadwerkelijk veilig waren, terwijl de oude checklist de neiging had om bijna iedereen als hoog risico te bestempelen.
Door zich te richten op slechts vier gemakkelijk beschikbare getallen, biedt de nieuwe score een praktische manier om de behandeling te sturen zonder artsen te overladen met complexe berekeningen. De studie toonde aan dat deze vereenvoudigde aanpak veel patiënten die voorheen als hoog risico werden aangemerkt, veilig kon herclassificeren naar lagere risicocategorieën. Dit onderscheid is van belang omdat het medische teams in staat stelt om hun preventiestrategieën op maat te maken. Patiënten die als werkelijk hoog risico worden geïdentificeerd, kunnen sterkere beschermende maatregelen ontvangen, terwijl patiënten in de lagere risicogroepen onnodige interventies kunnen vermijden die hun eigen gevaren met zich meebrengen, zoals bloedingen in de hersenen. De onderzoekers bevestigden dat deze methode werkt over verschillende ziekenhuizen en patiëntenpopulaties heen, wat suggereert dat het een betrouwbare standaard kan worden om neurochirurgen te helpen bij het nemen van veiligere, meer gepersonaliseerde beslissingen voor hun patiënten.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.