Electronic Health Record-Based Machine Learning Models for Predicting Revascularization, Amputation, and Cardiovascular Mortality in At-Risk Patients

Elk jaar worden duizenden mensen geconfronteerd met een angstaanjagende keuze: het verlies van een ledemaat of het verlies van hun leven. Deze strijd begint vaak met een stille, sluipende aandoening waarbij de bloedvaten in de benen vernauwen en verharden, waardoor de spieren en de huid van zuurstof worden beroofd. Wanneer deze blokkade ernstig wordt, kan dit leiden tot open wonden die niet genezen of een toestand waarin het ledemaat constant in gevaar is om af te sterven. Artsen noemen dit perifeer arterieel vaatlijden, en in zijn meest kritieke vorm, chronische ledemaatbedreigende ischemie. Voor patiënten met deze aandoeningen, of met diabetische voetulcera, is het pad vooruit vol onzekerheid. Een arts moet beslissen of hij een complexe operatie uitvoert om de bloedstroom te herstellen, het beschadigde ledemaat amputeert om het leven van de patiënt te redden, of zich richt op palliatieve zorg. Deze beslissingen zijn ongelooflijk moeilijk omdat elke patiënt anders is, met een unieke mix van andere gezondheidsproblemen, van diabetes tot hartziekten, en sociale factoren die hun reactie op de behandeling beïnvloeden.

Decennialang hebben artsen vertrouwd op scoresystemen en risicocalculatoren om deze keuzes te sturen, maar deze instrumenten zijn er vaak niet in geslaagd breed vertrouwen te winnen. Ze zijn te rigide voor een ziekte die zo rommelig en persoonlijk is, of ze vertrouwen op gegevens die moeilijk consistent te verzamelen zijn. Nu heeft een team onderzoekers aan de University of North Carolina gekeken naar een ander soort gids: de enorme, digitale dossiers van de patiëntenzorg zelf. Door een nieuwe manier te gebruiken om miljoenen elektronische patiëntendossiers te organiseren, bouwden zij een reeks computermodellen die kunnen voorspellen wat er vervolgens met een patiënt zal gebeuren. Hun doel was niet om de arts te vervangen, maar om hen een helderder beeld van de toekomst te geven, om te helpen beslissen wie een operatie nodig heeft, wie een ledemaat kan verliezen en wie het risico loopt te overlijden aan hartgerelateerde oorzaken.

De onderzoekers begonnen met een enorme pool van bijna 179.000 volwassen patiënten die tussen 2014 en 2024 zorg hadden ontvangen binnen het UNC Health System. Dit waren mensen die al bekend stonden als zijnde op risico voor ledemaatverlies, waaronder mensen met perifeer arterieel vaatlijden, chronische ledemaatbedreigende ischemie of diabetische voetulcera. Om deze enorme hoeveelheid informatie zin te geven, gebruikte het team een gestandaardiseerd systeem genaamd het OMOP Common Data Model, dat fungeert als een universele vertaler voor medische gegevens, waardoor verschillende ziekenhuizen dezelfde taal spreken. Ze voegden een speciale uitbreiding toe aan dit systeem, gevuld met 127 specifieke variabelen gerelateerd aan vaatziekten die meestal ontbreken in standaard dossiers. Hierdoor konden ze de patiënten niet alleen bekijken als een verzameling symptomen, maar als hele mensen met duizenden datapunten, variërend van hun bloeddruk en laboratoriumresultaten tot hun geschiedenis van roken, hun mobiliteit en zelfs hun cognitieve staat.

Met behulp van deze rijke, geharmoniseerde dataset trainde het team computeralgoritmen om te zoeken naar patronen die menselijke artsen zouden kunnen missen. Ze bouwden drie afzonderlijke voorspellingsmodellen. Het eerste probeerde te raden of een patiënt een revascularisatieprocedure zou ondergaan, een operatie bedoeld om geblokkeerde slagaders te openen. Het tweede probeerde te voorspellen of een patiënt uiteindelijk een amputatie nodig zou hebben. Het derde probeerde te voorspellen of een patiënt zou overlijden aan een cardiovasculaire gebeurtenis, zoals een hartaanval of een beroerte. De computer keek niet alleen naar de voor de hand liggende tekenen van beenziekte; het scande door duizenden potentiële factoren, van de aanwezigheid van specifieke infecties tot het type medicijnen dat een patiënt nam, om te zien welke ervan het meest relevant waren voor de uitkomst.

De resultaten onthulden een verhaal van verrassende helderheid voor sommige uitkomsten en hardnekkige complexiteit voor andere. Het model dat ontworpen was om te voorspellen wie een revascularisatieprocedure zou ondergaan, was uitzonderlijk accuraat. Het identificeerde de patiënten die de procedure zouden ondergaan met een niveau van precisie dat grenst aan perfectie. De factoren die deze voorspelling dreven, waren precies wat een vaatchirurg zou verwachten: het model vond dat de sterkste signalen de specifieke ziekten van de slagaders zelf waren, zoals blokkades in de onderste ledematen en bloedstolsels. De computer leerde dat wanneer deze specifieke arteriële problemen aanwezig zijn, het medische systeem consequent reageert met een operatie. Het was een bevestiging dat de beslissing om te opereren wordt gedreven door duidelijke, objectieve tekenen van arteriële uitval.

De voorspelling voor amputatie was ook sterk, hoewel het verhaal erachter genuanceerder was. Het model toonde aan dat of een patiënt een ledemaat verliest, zwaar afhangt van hoe hun lichaam en geest omgaan met de stress van de behandeling. De krachtigste voorspellers waren niet alleen de ernst van de wond aan het been, maar hoe de behandeling interageerde met de algehele kwetsbaarheid van de patiënt. Als bijvoorbeeld een patiënt met dementie of ernstige fysieke zwakte een revascularisatie onderging, voorspelde het model een hogere waarschijnlijkheid van een uiteindelijke amputatie. Omgekeerd, voor patiënten die te kwetsbaar waren voor een operatie, suggereerde het model dat ze minder waarschijnlijk een amputatie zouden ondergaan, waarschijnlijk omdat hun zorgteam hen naar palliatieve opties stuurde. Deze bevinding benadrukt een moeilijke realiteit: de weg naar het verliezen van een ledemaat wordt vaak niet alleen bepaald door de ziekte in het been, maar door het vermogen van de patiënt om de reis van de behandeling te overleven.

Echter, het model voor het voorspellen van cardiovasculaire sterfte vertelde een ander verhaal. Hoewel de computer de gebruikelijke verdachten kon identificeren – aandoeningen zoals hartfalen, diabetescomplicaties en een hoge bloedsuikerspiegel – kon het de dood niet met dezelfde zekerheid voorspellen als bij de andere uitkomsten. De nauwkeurigheid van dit model was matig, wat suggereert dat hoewel de risicofactoren bekend zijn, het werkelijke moment van overlijden wordt beïnvloed door te veel onvoorspelbare variabelen om door een enkele formule te worden gevangen. De onderzoekers merkten op dat revascularisatiechirurgie, die het lokale probleem in het been oplost, de kans op overlijden aan een hartgebeurtenis niet leek te veranderen. Dit impliceert dat het redden van een ledemaat en het redden van een leven van hartziekten twee afzonderlijke gevechten zijn, en het oplossen van het één garandeert de overwinning in het ander niet.

De studie adresseerde ook een veelvoorkomstige hoop in medisch onderzoek: dat kunstmatige intelligentie geheel nieuwe, verborgen risicofactoren zou ontdekken die artsen nog nooit hadden overwogen. In dit geval vond de computer geen geheime codes. De belangrijkste variabelen die het identificeerde, waren de variabelen waarvan clinici al wisten dat ze cruciaal waren. De machine learning-benadering heeft geen nieuwe kennis uitgevonden; in plaats daarvan bevestigde het dat het bestaande begrip van vaatziekten robuust is. Het bewees dat als je genoeg gegevens op een schone, georganiseerde manier verzamelt, de patronen van de ziekte duidelijk worden. Het feit dat het model amputatie zo goed kon voorspellen, suggereert dat we met de juiste gegevens deze uitkomsten kunnen voorzien, maar het laat ook zien dat het voorspellen van de dood een veel grotere uitdaging blijft omdat het menselijk lichaam op zoveel verschillende manieren kan falen.

Dit werk vormt een belangrijke stap voorwaarts in de manier waarop we gegevens gebruiken om patiënten met ledemaatbedreigende aandoeningen te verzorgen. Door elektronische patiëntendossiers te organiseren in een standaardformaat en specifieke details over vaatziekten toe te voegen, hebben de onderzoekers een instrument gecreëerd dat kan leren van de ervaringen van bijna 180.000 mensen. De modellen die zij hebben gebouwd zijn niet perfect, en ze zijn getest op patiënten uit één enkel zorgsysteem, wat betekent dat ze gecontroleerd moeten worden tegen gegevens van andere ziekenhuizen om te waarborgen dat ze overal werken. Toch bieden de resultaten een veelbelovend vooruitzicht op een toekomst waarin artsen de collectieve wijsheid van miljoenen patiëntendossiers kunnen gebruiken om betere, meer gepersonaliseerde beslissingen te nemen. Voor de patiënt die geconfronteerd wordt met het verlies van een ledemaat, kan dit soort helderheid het verschil betekenen tussen een behandelplan dat werkt en een dat dat niet doet, waardoor een angstaanjagende onzekerheid wordt omgezet in een beheersbaar pad vooruit.