MultiDiseasePred: An Interpretable Multi-Disease Risk Prediction Framework and Its Application for Early Risk Stratification in the Emergency Department

In de chaotische, risicovolle omgeving van een spoedeisende hulp in een ziekenhuis zijn de eerste paar minuten vaak het meest kritiek. Wanneer een patiënt arriveert, is dat niet slechts één enkel probleem; het is een complexe mix van symptomen die alles zou kunnen betekenen, van een hartaanval tot een ernstige infectie of een verstopte longslagader. Traditioneel hebben artsen vertrouwd op afzonderlijke checklists en scoresystemen om elk van deze mogelijkheden één voor één te beoordelen. Een verpleegkundige gebruikt misschien één hulpmiddel om sepsis te controleren, een ander voor hartproblemen, en een derde voor ademhalingsproblemen. Hoewel deze instrumenten nuttig zijn, zijn ze ontworpen om slechts één ziekte tegelijk te bekijken. Dit creëbelt een gefragmenteerd beeld, waardoor clinici gedwongen worden om verschillende risicoscores mentaal aan elkaar te naaien terwijl ze tegen de klok vechten, vaak zonder het voordeel van laboratoriumuitslagen of beeldvormende scans die later arriveren. De uitdaging is om de hele patiënt onmiddellijk te zien, en te begrijpen hoe verschillende risico's overlappen en om aandacht concurreren voordat het volledige medische verhaal bekend is.

Om dit aan te pakken, heeft een team van onderzoekers van de Universiteit van Minnesota en andere instellingen een nieuwe benadering ontwikkeld genaamd MultiDiseasePred. In plaats van aparte modellen voor elke ziekte te bouwen, creëerden zij één enkel, verenigd systeem dat ontworpen is om naar een patiënt te kijken en gelijktijdig het risico op zeven verschillende acute condities en twee kritieke uitkomsten in te schatten, zoals of de patiënt moet worden opgenomen in het ziekenhuis. Het systeem richt zich op de zeven condities die vaak verwarrend vergelijkbare vroege symptomen vertonen: sepsis, acuut respiratoir distress syndroom, exacerbaties van chronische longziekten zoals astma of COPD, acuut coronair syndroom (hartproblemen), virale pneumonie, longembolie (een bloedstolsel in de longen) en acuut nierfalen. Het voorspelt ook de waarschijnlijkheid van ziekenhuisopname en een samengestelde "kritieke uitkomst" die intensieve zorg of overlijden omvat. Het doel was niet alleen om deze risico's te voorspellen, maar om dit te doen met alleen de informatie die beschikbaar is op het moment dat een patiënt binnenstapt, zoals vitale functies, leeftijd en de belangrijkste klacht, zonder te wachten op bloedonderzoek of röntgenfoto's.

De onderzoekers trainden dit systeem op een enorme dataset bestaande uit bijna 1,7 miljoen bezoeken aan de spoedeisende hulp van een groot gezondheidssysteem in Minnesota, over de jaren 2019 tot 2025. Ze testten vervolgens hoe goed het systeem werkte op volledig andere groepen patiënten van twee andere grote medische centra: één in Boston en één in Californië. Deze externe test was cruciaal om te waarborgen dat het systeem niet alleen de lokale gegevens uit het hoofd leerde, maar ook daadwerkelijk de universele tekenen van ziekte kon begrijpen. Het systeem leerde patronen te identificeren over miljoenen bezoeken heen, en ontdekte dat hoewel elke ziekte uniek is, ze vaak gedeelde onderliggende fysiologische signalen hebben. Bijvoorbeeld, een daling van de bloeddruk of een verandering in de ademhalingsfrequentie kan een waarschuwingssignaal zijn voor verschillende condities tegelijkertijd. Door deze gedeelde signalen naast specifieke aanwijzingen te analyseren, leerde het model het bewijs voor elke conditie afzonderlijk te wegen, terwijl het nog steeds de verbanden tussen hen zag.

Een belangrijk kenmerk van dit nieuwe raamwerk is het vermogen om eenvoudig en praktisch te blijven voor gebruik in de echte wereld. De onderzoekers ontdekten dat ze geen lange lijst van tientallen variabelen nodig hadden om nauwkeurige voorspellingen te doen. Door een zorgvuldig selectieproces brachten ze de inputs terug tot slechts twaalf variabelen die routinematig door triageverpleegkundigen worden geregistreerd, zoals hartslag, bloeddruk, zuurstofgehalte, leeftijd en specifieke medische voorgeschiedenis. Deze "parcimonieuze" set van inputs betekent dat het systeem onmiddellijk kan worden gebruikt zonder dat er complexe gegevensinvoer nodig is of dat men moet wachten op laboratoriumuitslagen. Het model bevat ook een ingebouwd uitlegsysteem. Wanneer het een patiënt als hoog risico voor een specifieke conditie markeert, geeft het niet alleen een getal; het benadrukt precies welke factoren hebben bijgedragen aan die beslissing. Als het systeem bijvoorbeeld een hoog risico op een longembolie voorspelt, kan het laten zien dat de geschiedenis van de patiënt met pulmonale hypertensie de primaire drijfveer was voor die voorspelling, waardoor de clinicus de logica achter de melding kan zien.

De resultaten van de studie waren veelbelovend. In de interne test bereikte het systeem een hoog niveau van nauwkeurigheid bij het onderscheiden van patiënten die deze condities zouden ontwikkelen en patiënten die dat niet zouden doen, waarbij het even goed of zelfs beter presteerde dan bestaande single-disease machine learning-modellen. Belangrijker nog, toen het werd getest op de externe data uit Boston en Californië, behield het systeem een sterke prestatie zonder dat het opnieuw getraind of aangepast hoefde te worden voor de nieuwe locaties. Dit suggereert dat de patronen die het model heeft geleerd robuust zijn en kunnen worden toegepast in verschillende ziekenhuisomgevingen. Voor de zeven acute condities identificeerde het systeem de risico's met een hoge mate van betrouwbaarheid, en voor de twee disposition-endpoints presteerde het ook goed. De onderzoekers merkten op dat hoewel het systeem uitstekend was in het rangschikken van patiënten op risico, het vermogen om zeer zeldzame gebeurtenissen met perfecte precisie te voorspellen iets lager was, wat een veelvoorkomende uitdaging is in medische voorspelling. Echter, het systeem bood succesvol een gecoördineerd, multi-conditie risicoprofiel dat clinici onmiddellijk konden interpreteren.

De studie onderzocht ook hoe het systeem omgaat met de realiteit van spoedeisende hulp, waar gegevens vaak incompleet of ontbrekend zijn. De onderzoekers ontwierpen het systeem om te gaan met ontbrekende informatie door gebruik te maken van standaard, vooraf gedefinieerde waarden gebaseerd op de trainingsdata, wat ervoor zorgt dat het model consistent blijft ongeacht of een specifieke vitale functie is geregistreerd. Ze zorgden er ook voor dat het systeem niet leunde op de Emergency Severity Index, een score die vaak door verpleegkundigen wordt toegewezen, om circulaire redenering te voorkomen waarbij het model simpelweg de initiële beoordeling van de verpleegkundige herhaalt. In plaats daarvan bouwt het een onafhankelijke beoordeling op basis van de ruwe klinische gegevens. De onderzoekers benadrukten dat dit hulpmiddel bedoeld is als een besluitvormingsondersteuning, niet als een vervanging voor klinisch oordeel. Het is ontworpen om clinici te helpen hun gedachten te ordenen en te prioriteren welke condities het eerst onderzocht moeten worden, wat potentieel de tijd naar kritieke behandelingen zoals antibiotica voor sepsis of bloedverdunners voor stolsels kan verkorten.

Ondanks de sterke prestaties merken de auteurs er voorzichtig bij op dat dit een retrospectieve studie is, wat betekent dat het naar het verleden gekeken heeft in plaats van het systeem in een live, real-time omgeving te testen. Ze erkennen dat voordat een dergelijk hulpmiddel breed kan worden geadopteerd, het prospectief getest moet worden om te zien hoe het daadwerkelijk de patiëntuitkomsten, de workflow-efficiëntie beïnvloedt, en of het de besluitvorming helpt of belemmert. Er zijn ook beperkingen met betrekking tot de specifieke gegevensbronnen die zijn gebruikt; bijvoorbeeld, het systeem vertrouwt op gestructureerde data en bevat nog geen ongestructureerde aantekeningen of beeldvormende resultaten. Bovendien bevatte de studie geen gedetailleerde analyse van hoe het systeem presteert over verschillende raciale of etnische groepen, aangezien die gegevens niet consistent beschikbaar waren bij de onderzochte ziekenhuizen. Dit zijn belangrijke gebieden voor toekomstig onderzoek om ervoor te zorgen dat het hulpmiddel veilig en effectief is voor iedereen.

Uiteindelijk vertegenwoordigt dit werk een verschuiving in de manier waarop risicobeoordeling in de spoedeisende hulp benaderd kan worden. Door weg te bewegen van een verzameling geïsoleerde, single-disease tools naar een verenigd, interpreteerbaar raamwerk, hebben de onderzoekers aangetoond dat het mogelijk is om het volledige spectrum van de potentiële risico's van een patiënt te zien aan het begin van hun zorg. Het systeem biedt een duidelijk, gekalibreerd waarschijnlijkheidspercentage voor meerdere condities tegelijk, vergezeld van een uitleg waarom deze risico's zijn gemarkeerd. Deze benadering respecteert de complexiteit van de spoedeisende hulp, waar patiënten vaak overlappende symptomen en meerdere potentiële diagnoses hebben. Hoewel het systeem nog geen afgewerkt product is dat klaar is voor directe implementatie in elk ziekenhuis, biedt het een overtuigend bewijs van concept dat een enkel, intelligent raamwerk clinici kan helpen navigeren door de onzekerheid van de eerste minuten van een spoedeisende ontmoeting, wat potentieel kostbare tijd kan besparen en de zorg voor patiënten met levensbedreigende aandoeningen kan verbeteren.