Machine learning prediction of clinical trajectories after N-terminal pro-B-type natriuretic peptide exceeds 35,000 pg/mL: a retrospective development and external validation study
Deze retrospectieve studie ontwikkelde en externe valideerde een machine learning-model met behulp van routinematig beschikbare variabelen om kortetermijn klinische trajecten in het ziekenhuis (specifiek ontslag bij leven of NT-proBNP-normalisatie) te voorspellen volgend op een initiële N-terminale pro-B-type natriuretisch peptide-uitslag die de 35.000 pg/mL overschreed, waarbij een matige discriminatie werd aangetoond die primair wordt gedreven door overlevingsuitkomsten in plaats van biochemisch herstel.
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
Wanneer een hart moeite heeft om effectief bloed rond te pompen, zendt het een chemisch noodsignaal uit. Artsen meten een specifiek eiwit genaamd N-terminaal pro-B-type natriuretisch peptide, of NT-proBNP, om te peilen hoe ernstig die strijd is. Hoe hoger het niveau, hoe meer het hart onder spanning staat. Deze test is een standaardinstrument voor het beheer van hartfalen, wat clinici helpt te beslissen wie urgente zorg nodig heeft en wie mogelijk aan het herstellen is. Echter, de machines die dit eiwit meten, hebben een limiet. Net zoals een liniaal stopt bij een bepaalde lengte, stoppen deze medische assays met het rapporteren van exacte getallen zodra de concentratie te hoog wordt. In de systemen die door de onderzoekers werden gebruikt, geeft de machine niet langer een specifiek getal aan bij 35.000 pg/mL. Alles daarboven wordt simpelweg gelezen als "groter dan 35.000". Dit creëert een blinde vlek. Een arts weet dat het niveau gevaarlijk hoog is, maar kan niet zien of het slechts iets boven de limiet ligt of vele malen hoger is. Zonder het exacte getal te weten, wordt het moeilijk om bij te houden of een patiënt beter wordt of slechter, omdat de gebruikelijke methode om het dalende getal te volgen niet langer beschikbaar is.
Een team van onderzoekers zette zich in om dit probleem van het ontbrekende getal op te lossen. Ze stelden een praktische vraag: als een patiënt het ziekenhuis binnenkomt met een resultaat dat buiten de schalen valt, kunnen we dan voorspellen wat er daarna met hen zal gebeuren? In plaats van te proberen het exacte verborgen getal te raden, bouwden ze een computermodel om de klinische reis van de patiënt te voorspellen. Ze wilden weten of de patiënt levend uit het ziekenhuis zou worden ontslagen of of de conditie van de patiënt voldoende zou verbeteren zodat de volgende test eindelijk een getal onder de grens van 35.000 zou laten zien. Hiervoor verzamelden ze gegevens van twee verschillende groepen patiënten. De eerste groep kwam uit een grote, publieke database van ziekenhuisarchieven, en de tweede groep kwam van een lokaal ziekenhuis in China. In beide groepen keken ze alleen naar het moment waarop een patiënt dat "te hoge om te meten" resultaat voor het eerst kreeg. Vervolgens volgden ze wat er daarna gebeurde, gebruikmakend van een breed scala aan andere informatie die beschikbaar was in het dossier van de patiënt, zoals hun leeftijd, bloedtestresultaten voor de nierfunctie en niveaus van andere eiwitten in het bloed.
De onderzoekers trainden een computerprogramma om patronen te zoeken in deze zevenentwintig verschillende stukken informatie. Ze leerden het programma te herkennen welke combinaties van factoren het meest waarschijnlijk zouden leiden tot het levend het ziekenhuis verlaten van een patiënt of het terugkeren van de testresultaten naar een meetbaar bereik. Ze testten dit programma eerst op de eerste groep patiënten en vergrendelden vervolgens, cruciaal, de instellingen om het te testen op de volledig gescheiden groep uit het lokale ziekenhuis. Deze tweede test is belangrijk omdat het laat zien of het model werkt op nieuwe mensen die het nog nooit heeft gezien. De resultaten lieten zien dat het model behoorlijk goed in zijn werk was. In de eerste groep had het een AUC van 0,76. Wanneer het werd toegepast op de tweede, onafhankelijke groep, verbeterde de prestatie zelfs, met een AUC van 0,81. Dit suggereert dat het model betrouwbaar kan identificeren welke patiënten waarschijnlijk een beter kortetermijnresultaat zullen hebben en welke een hoger risico lopen.
De onderzoekers ontdekten echter iets verrassends over wat het model daadwerkelijk voorspelde. Ze analyseerden de resultaten om te zien of het model goed was in het voorspellen van twee specifieke zaken: of de patiënt levend uit het ziekenhuis zou worden ontslagen, en of de volgende bloedtest een lager, meetbaar getal zou laten zien. Het model was zeer goed in het voorspellen wie er levend uit het ziekenhuis zou worden ontslagen. Maar het was niet goed in het voorspellen of het hartfalen voldoende zou verbeteren om het eiwitniveau terug te brengen naar het meetbare bereik. Sterker nog, voor de patiënten die opnieuw een bloedtest ondergingen, presteerde het model niet beter dan een willekeurige gok bij het voorspellen of het getal zou dalen. Dit betekent dat het model geen hulpmiddel is om het verborgen chemische getal te raden of om het biologische herstel van het hart te volgen. In plaats daarvan is het een instrument om het algemene klinische lot van de patiënt te voorspellen. Het vertelt een arts dat een patiënt met een resultaat dat buiten de schalen valt, waarschijnlijk zal overleven tijdens het ziekenhuisverblijf, zelfs als de bloedtest zelf vast blijft zitten op de maximale limiet.
De studie concludeert dat deze aanpak een nuttige manier biedt om patiënten te beheren wanneer de gebruikelijke test faalt. Als een patiënt een resultaat heeft dat de machine niet kan kwantificeren, kunnen artsen dit model gebruiken om een gevoel te krijgen bij de kortetermijnprognose op basis van hun andere vitale functies en bloedwerk. Het model suggereert dat hoewel het hart nog steeds onder extreme spanning staat, de algehele conditie van de patiënt stabiel genoeg kan zijn voor ontslag. De onderzoekers benadrukken dat dit hulpmiddel niet moet worden gebruikt om geautomatiseerde beslissingen over de behandeling te nemen of om aan te nemen dat het hart is genezen enkel omdat het model een goede uitkomst voorspelt. Het is een gids voor risicostratificatie, die artsen helpt te beslissen wie intensievere monitoring nodig heeft. Voordat dit model in de dagelijkse praktijk kan worden gebruikt, moet het licht worden aangepast om aan te sluiten bij de specifieke patiëntenpopulatie van een nieuw ziekenhuis en moet het in realtime worden getest om te waarborgen dat het artsen helpt betere beslissingen te nemen. Voor nu staat het als een demonstratie dat zelfs wanneer een belangrijke meting tegen een muur aanloopt, andere beschikbare gegevens nog steeds een pad naar voren kunnen verlichten voor de zorg van een patiënt.
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.