Development and internal validation of a machine-learning-informed nomogram for predicting severe acute pancreatitis in the intensive care unit: a retrospective cohort study using the MIMIC-IV database

Wanneer de alvleesklier, een kleine klier die achter de maag verscholen ligt, plotseling ontstoken raakt, ontketent dit een cascade die kan variëren van een mild, voorbijgaand ongemak tot een levensbedreigende crisis. De meeste mensen die deze aandoening ontwikkelen, bekend als acute pancreatitis, herstellen snel met ondersteunende zorg. Echter, bij ongeveer één op vijf patiënten ebt de ontsteking niet weg; in plaats daarvan verspreidt deze zich, waardoor de vitale systemen van het lichaam — de longen, nieren en het hart — beginnen te falen. Deze progressie naar ernstige acute pancreatitis is de belangrijkste drijfveer van sterfte in deze gevallen. Het venster om de uitkomst te veranderen is smal. Artsen weten dat interventies zoals zorgvuldig vochtbeheer en vroege voeding het beste werken als ze worden gestart voordat orgaanfalen permanent wordt, wat doorgaans wordt gedefinieerd als falen dat langer dan achtenveertig uur duurt. De uitdaging is altijd geweest om te identificeren welke van de vele patiënten die het ziekenhuis binnenkomen die grens naar het ernstige gebied zullen overschrijden, zodat teams kunnen ingrijpen voordat het te laat is.

Decennialang hebben clinici vertrouwd op scoresystemen om deze voorspellingen te doen. Deze instrumenten vragen artsen om getallen in te vullen zoals bloeddruk, hartslag en laboratoriumresultaten om een risicoscore te genereren. Hoewel deze hulpmiddelen nuttig zijn, hebben traditionele scores vaak moeite om duidelijk onderscheid te maken tussen patiënten die zullen herstellen en patiënten die zullen verslechteren. In de afgelopen jaren ontstond er een nieuwe hoop: het idee dat complexe computeralgoritmen, in staat om verborgen patronen te vinden in enorme hoeveelheden gegevens, de eenvoudige scores zouden kunnen overtreffen. De vraag werd of deze geavanceerde machine learning-tools de toekomst werkelijk beter konden zien dan een zorgvuldig geconstrueerd, transparant model dat een arts aan het ziekbed kan begrijpen en gebruiken.

Een team van onderzoekers zette zich in om deze vraag te beantwoorden door een nieuw voorspellingsinstrument te bouwen met behulp van gegevens van duizenden eerdere patiënten. Ze maakten gebruik van een enorme, publiek beschikbare database van elektronische patiëntendossiers van een groot Amerikaans ziekenhuis, die informatie bevatte over bijna zes duizend opnames voor acute pancreatitis. Uit deze selectie richtten zij zich op de 734 patiënten die ernstig genoeg ziek waren om op de intensive care te worden opgenomen. Hun doel was om een model te creëren dat de eerste vierentwintig uur van het verblijf van een patiënt kon analyseren en nauwkeurig kon voorspellen wie later ernstig orgaanfalen zou ontwikkelen. Ze verzamelden zesentwintig verschillende stukjes informatie die beschikbaar waren tijdens die eerste dag, variërend van leeftijd en geslacht tot vitale functies zoals temperatuur en zuurstofgehaltes, evenals gedetailleerde bloedtestresultaten.

Om hun model te bouwen, gebruikten de onderzoekers een statistische methode die werkt als een zeef, die automatisch de minder belangrijke aanwijzingen wegfiltert en alleen de sterkste voorspellers behoudt. Ze kwamen uiteindelijk met een lijst van eenentwintig variabelen die er het meest toe deden. Deze omvatten de laagste temperatuur van de patiënt, of de patiënt een machine nodig had om te ademen, of er medicatie nodig was om de bloeddruk te ondersteunen, en specifieke markers in het bloed die wijzen op nierstress of ontsteking. Ze vertaalden deze eenentwintig factoren naar een visuele grafiek genaamd een nomogram. Dit instrument stelt een arts in staat om simpelweg punten op te tellen op basis van de specifieke metingen van een patiënt om een enkele waarschijnlijkheid van ernstige ziekte te krijgen. Het is ontworpen om praktisch te zijn, waarbij exact dezelfde getallen worden gebruikt die een verpleegkundige of arts op een monitor of laboratoriumrapport ziet, zonder dat er eenheden hoeven te worden omgezet of complexe berekeningen hoeven te worden uitgevoerd.

De onderzoekers onderwierpen hun nieuwe model vervolgens aan een test. Ze vergeleken de prestaties ervan met de standaard scoresystemen die momenteel in ziekenhuizen worden gebruikt, evenals met acht verschillende soorten geavanceerde machine learning-algoritmen. De resultaten waren duidelijk en verrassend. Het nieuwe model, gebouwd op de eenvoudige eenentwintig variabelen, bleek zeer accuraat en maakte in bijna negentig procent van de gevallen correct onderscheid tussen ernstige en niet-ernstige gevallen. Belangrijker nog, toen ze dit transparante model tegenover de acht complexe machine learning-systemen plaatsten, kon geen van de geavanceerde algoritmen het beter doen. De geavanceerde computermodellen presteerden net zo goed als het eenvoudige model, maar geen van hen presteerde significant beter. Sterker nog, sommige van de complexe modellen leken de trainingsgegevens te perfect te hebben onthouden, een teken dat ze zouden kunnen falen wanneer ze geconfronteerd worden met nieuwe patiënten, terwijl het eenvoudigere model robuust en betrouwbaar bleef.

De studie onderzocht ook of het model simpelweg informatie gebruikte die al een teken van falen was. Als een patiënt bijvoorbeeld al aan een beademingsapparaat ligt, betekent dat dan niet gewoon dat de patiënt al aan het falen is, in plaats van dat het falen voorspelt? De onderzoekers verwijderden de variabelen die gerelateerd zijn aan levensondersteuning, zoals beademingsapparatuur en bloeddrukmedicatie, en stelden vast dat de nauwkeurigheid van het model slechts licht daalde. Dit bevestigde dat het model werkelijk de toekomst voorspelt op basis van de onderliggende fysiologie van de patiënt, en niet alleen registreert wat er al aan de hand is. Ze controleerden ook of het toevoegen van zeldzame, moeilijk verkrijgbare bloedtesten zou helpen, maar stelden vast dat deze extra markers geen waarde toevoegden. De krachtigste voorspellers waren de routinematige, alledaagse metingen die beschikbaar zijn tijdens de eerste dag van de zorg.

Uiteindelijk suggereert dit werk dat complexiteit niet het antwoord is in de race om ernstige pancreatitis te voorspellen. De onderzoekers hebben aangetoond dat een helder, begrijpelijk model gebouwd op routinedata de prestaties van de meest geavanceerde kunstmatige intelligentietools kan evenaren. De beste voorspeller van wie er zieker zal worden, is niet een verborgen patroon dat alleen door een supercomputer kan worden gevonden, maar een combinatie van temperatuur, ademhalingsondersteuning, nierfunctie en bewustzijnsniveau die artsen onmiddellijk kunnen beoordelen. Hoewel het model in andere ziekenhuizen getest moet worden voordat het breed kan worden toegepast, biedt het onderzoek een geruststellende boodschap: soms is het meest effectieve hulpmiddel degene die eenvoudig genoeg is voor een mens om zonder aarzeling te begrijpen en te gebruiken.