Development and External Validation of a Machine Learning–Based Clinical Prediction Model for Postoperative Ischemic Stroke in Patients Undergoing Coronary Artery Bypass Grafting: Validation Using the eICU Collaborative Research Database
Deze studie heeft een Random Forest machine learning-model ontwikkeld en extern gevalideerd met behulp van de eICU-database, dat een goede discriminerende prestatie vertoont bij het voorspellen van een postoperatieve ischemische beroerte bij patiënten die een coronaire bypass-operatie ondergaan, waarbij belangrijke voorspellers zoals RDW-CV en SII zijn geïdentificeerd om vroege risicostratificatie te ondersteunen.
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
Hartchirurgie is een opmerkelijke prestatie van de moderne geneeskunde en biedt een levenslijn aan mensen waarvan de slagaders gevaarlijk verstopt zijn geraakt. De procedure, bekend als coronaire bypassoperatie, leidt het bloed om deze blokkades heen om de doorbloeding van de hartspier te herstellen. Toch, zelfs met bekwame chirurgen en geavanceerde technologie, brengt de reis een verborgen gevaar met zich mee. Tijdens en na de operatie kunnen kleine stolsels of resten naar de hersenen reizen, wat een beroerte veroorzaakt. Deze complicatie, hoewel niet de meest voorkomende uitkomst, is een van de meest ernstige. Het kan het herstel van een patiënt drastisch veranderen, het risico op overlijden vergroten en blijvende handicaps achterlaten. Omdat de belangen zo groot zijn, zoeken artsen al lang naar betere manieren om te voorspellen wie het meest waarschijnlijk dit lot zal ondergaan voordat de eerste incisie wordt gemaakt. Traditionele methoden vertrouwen op het controleren van een lijst met bekende risicofactoren, zoals leeftijd of medische geschiedenis, maar deze instrumenten missen vaak de subtiele, complexe interacties tussen de lichaamssystemen van een patiënt die problemen kunnen signaleren.
Een team van onderzoekers van ziekenhuizen in China heeft een andere aanpak gekozen en zich tot de kracht van machine learning gewend om een scherper voorspellingsinstrument te bous. Ze begonnen met het verzamelen van gedetailleerde dossiers van 938 patiënten die deze bypassoperatie hadden ondergaan in een enkel ziekenhuis in Beijing tussen 2019 en 2021. Het doel was om de computer te leren patronen in de gegevens te herkennen die het menselijk oog over het hoofd zou kunnen zien. Het team voedde de computer een enorme hoeveelheid informatie, waaronder de leeftijd, bloeddruk en medische geschiedenis van de patiënt, maar ook specifieke waarden uit bloedtesten die ontstekingen, nierfunctie en hoe goed het bloed zuurstof kan transporteren, meten. De computer kreeg de taak om de specifieke combinatie van deze factoren te vinden die de patiënten die een beroerte kregen het beste onderscheidde van de patiënten die dat niet kregen. Om te garanderen dat het hulpmiddel niet alleen de specifieke patiënten uit de trainingsfase uit het hoofd leerde, testten de onderzoekers het op een volledig andere groep van 1.177 patiënten uit een enorme, multifunctionele database van ziekenhuizen in de Verenigde Staten. Deze tweede groep diende als een rigoureuze test om te zien of het hulpmiddel zou werken in een andere omgeving met andere mensen.
De computer analyseerde de gegevens met verschillende wiskundige strategieën en koos uiteindelijk de strategie die het best presteerde. Dit best presterende model identificeerde zeven cruciale stukken informatie die het meest kritiek waren voor het voorspellen van een beroerte. Deze omvatten de geschiedenis van eerdere beroertes van de patiënt, de omvang van hun lichaam en specifieke metingen uit hun bloed. Onder de meest veelzeggende indicatoren waren een maatstaf voor de variatie in de grootte van hun rode bloedcellen, een score die de aantallen verschillende immuuncellen combineert om algemene ontsteking te meten, en een berekening van hoeveel zuurstof hun bloed daadwerkelijk kon vervoeren. Het model hield ook rekening met hoe goed hun nieren afvalstoffen filterden. Wanneer de onderzoekers keken naar hoe deze factoren de voorspelling beïnvloedden, ontdekten ze dat hogere niveaus van ontsteking en een lager zuurstofvervoer gerelateerd waren aan een groter risico op een beroerte, terwijl een betere nierfunctie enige bescherming bood.
Toen de onderzoekers dit nieuwe model testten op de Amerikaanse patiëntgegevens, bleek het een betrouwbare gids te zijn, die het onderscheid tussen hoog-risico en laag-risico patiënten aanzienlijk beter maakte dan bij willekeurige kans. Hoewel het niet perfect was, behield het een sterk vermogen om degenen in gevaar te identificeren, zelfs wanneer het werd toegepast op een populatie die het nog nooit eerder had gezien. De studie suggereert dat door naar het lichaam te kijken als een complex systeem waar ontstekingen, zuurstofafgifte en bloed samenstelling interageren, artsen een duidelijker beeld van het risico kunnen krijgen dan door naar afzonderlijke factoren in isolatie te kijken. De onderzoekers benadrukken dat dit hulpmiddel geen kristallen bol is, maar eerder een manier om patiënten te signaleren die extra monitoring of specifieke preventieve zorg nodig hebben. Voordat deze methode een standaard onderdeel van de routine van elk ziekenhuis wordt, moet het worden getest in nog grotere en meer diverse groepen mensen. Het werk markeert echter een belangrijke stap naar het gebruik van data om de hersenen te beschermen tijdens een van de meest kritieke momenten in het leven 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.