Construction of a Retinopathy of Prematurity Onset Prediction Model Using the Random Forest Machine Learning Algorithm

Elk jaar worden duizenden baby's die te vroeg geboren worden, geconfronteerd met een stille bedreiging voor hun zicht. Deze aandoening, bekend als retinopathie van de premature (ROP), is een stoornis waarbij de bloedvaten aan de achterkant van het oog niet correct ontwikkelen. Omdat deze zuigelingen te vroeg zijn geboren, voordat hun ogen volledig gevormd waren, kan het delicate netwerk van vaten dat uiteindelijk bloed naar het netvlies zal transporteren, stoppen met groeien of op een chaotische, schadelijke manier groeien. Als dit onbehandeld blijft, kan deze abnormale groei het netvlies losmaken van de achterkant van het oog, wat leidt tot permanente blindheid. Het venster om dit te voorkomen is smal; artsen moeten identificeren welke baby's een risico lopen en hen behandelen voordat de schade onomkeerbaar is. De huidige methode om elke premature baby op deze aandoening te controleren is echter een zware last. De meeste van deze zuigelingen zullen de ziekte nooit ontwikkelen, toch moeten zij ondergaan aan herhaalde, vaak stressvolle oogonderzoeken die medische middelen verbruiken en angst veroorzaken bij gezinnen. De uitdaging voor artsen is om een manier te vinden om de weinigen die echt interventie nodig hebben te onderscheiden van de velen die dat niet nodig hebben, zonder ook maar één geval te missen.

Om dit puzzelstuk op te lossen, wendden onderzoekers in Guangxi, China, zich tot een krachtig instrument uit de wereld van de informatica: een machine learning-algoritme genaamd Random Forest. In plaats van te vertrouwen op één enkele regel of een eenvoudige checklist, bootst deze aanpak de manier na waarop een groep experts een diagnose zou bespreken, waarbij veel verschillende stukjes informatie wordt gecombineerd om tot een betrouwbaardere conclusie te komen. Het team, onder leiding van Yong Yang en Minli Huang, stelde zich ten doel om een model te bouwen en te testen dat kon voorspellen welke premature zuigelingen retinopathie van de premature zouden ontwikkelen op basis van hun medische geschiedenis. Ze verzamelden gegevens van 150 baby's die tussen januari en september 2024 in een lokaal ziekenhuis waren gescreend. Elke zuigeling in deze groep was te vroeg geboren, had een laag geboortegewicht of andere ernstige gezondheidsproblemen die hen in gevaar brachten. De onderzoekers bestudeerden de elektronische medische dossiers van deze kinderen zorgvuldig, zoekend naar patronen in hun vroege leven die op problemen voor hun ogen zouden kunnen wijzen.

De onderzoekers begonnen met een lange lijst van zesenveertig potentiële waarschuwingssignalen, variërend van de gezondheid van de moeder tijdens de zwangerschap tot de specifieke behandelingen die de baby na de geboorte heeft ontvangen. Ze voerden deze informatie in vijf verschillende computermodellen in, die elk ontworpen waren om de belangrijkste aanwijzingen te vinden. Het doel was om de factoren te vinden waar alle modellen het over eens waren dat ze cruciaal waren. Na het verwerken van de cijfers identificeerde de computer negen belangrijke voorspellers die consistent in de verschillende methoden verschenen. Deze omvatten de zwangerschapsleeftijd en het geboortegewicht van de baby, het gebruik van zuurstoftherapie en de specifieke concentratie zuurstof die werd toegediend, en de aanwezigheid van aandoeningen zoals anemie, ademhalingsproblemen en een ernstige darmontsteking die bekend staat als necrotiserende enterocolitis. De lijst bevatte ook of de baby via in vitro fertilisatie was verwekt en of er antibiotica werden gebruikt tijdens hun ziekenhuisopname. Door zich te concentreren op deze negen specifieke details, beperkten de onderzoekers de enorme hoeveelheid medische gegevens tot de meest krachtige signalen.

Met deze negen factoren in handen construeerde het team hun voorspellingsmodel en testte het tegen de real-world data van de 150 baby's. De resultaten waren veelbelovend. Het model bleek zeer effectief in het identificeren van de baby's die de ziekte niet hadden, waarbij het bijna alle baby's correct als laag risico markeerde. Sterker nog, de studie bevestigde dat geen van de 135 premature zuigelingen die geen ROP ontwikkelden, door het model werd gemist. Het voorspelde ook het ontstaan van de aandoening in de meerderheid van de gevallen waar dit wel optrad. De nauwkeurigheid van de computer in het onderscheiden van gezonde ogen en ogen die een ziekte ontwikkelen was sterk, met een prestatiescore die aangaf dat het een betrouwbaar instrument was. De studie toonde aan dat door gebruik te maken van deze negen specifieke medische indicatoren, het model de gegevens met een hoge mate van vertrouwen kon sorteren, wat suggereert dat het artsen kan helpen beslissen welke baby's de meest dringende aandacht nodig hebben en welke mogelijk minder frequente, intensieve screening vereisen.

De bevindingen bieden een nieuwe manier om naar de complexe biologie van premature geboorte te kijken. De studie bevestigde dat de meest significante risico's verbonden zijn aan de onvolledige rijping van het lichaam van de zuigeling en de interventies die nodig zijn om hen in leven te houden. Zo kan de noodzaak van hoge concentraties zuurstof, hoewel levensreddend voor de longen, schadelijk zijn voor de ontwikkelende bloedvaten in het oog. Op dezelfde manier lijken aandoeningen die ontstekingen of stress in het lichaam veroorzaken, zoals ernstige infecties of ademhalingsproblemen, nauw verbonden te zijn met de ontwikkeling van oogproblemen. Het model gokte niet alleen; het leerde van de werkelijke uitkomsten van 150 echte patiënten, waarbij het ontdekte dat baby's die de aandoening ontwikkelden over het algemeen kleiner waren, eerder geboren waren en een ernstiger medisch verleden hadden dan zij die dat niet hadden. Deze connectie tussen de algemene strijd van het lichaam om te overleven en de specifieke gezondheid van de ogen biedt een duidelijker beeld van wie het meest kwetsbaar is.

Hoewel het model veelbelovend was, merkten de onderzoekers op dat het geen perfecte kristallen bol is. In hun tests was het systeem uitstekend in het uitsluiten van de ziekte bij gezonde baby's, waarbij het alle 135 zuigelingen die de aandoening niet ontwikkelden, correct identificeerde. Echter, het model ondervond een beperking in het precies voorspellen van welke zuigelingen met een ROP-diagnose geen verdere screening zouden vereisen, aangezien de sensitiviteit voor het detecteren van de specifieke aanvang bij de kleinere groep getroffen zuigelingen lager was. Dit is een cruciaal onderscheid in de geneeskunde; het is vaak veiliger om een paar potentiële gevallen te missen en hen later te behandelen dan om veel gezonde families vals alarm te laten slaan. De studie suggereert dat dit hulpmiddel door artsen kan worden gebruikt om hun screeninginspanningen te prioriteren, zodat de meest risicovolle zuigelingen als eerste worden gezien. Het vervangt niet de noodzaak van een zorgvuldige examinatie door een arts, maar het biedt een datagestuurde manier om de zorg te organiseren en het aantal onnodige procedures te verminderen. Door zich te richten op de negen specifieke factoren die zijn geïdentificeerd, kunnen medische teams beter begrijpen het traject van de gezondheid van een premature zuigeling en meer geïnformeerde beslissingen nemen over het beschermen van hun zicht.