Validating Acute Coronary Syndrome ICD Codes as Training Labels for Clinical AI
Deze 10-jarige retrospectieve studie van bijna 620.000 spoedeisende hulp-bezoeken valideert dat hoewel ICD-gecodeerde labels voor Acuut Coronair Syndroom een hoge sensitiviteit en specificiteit vertonen, hun matige positieve voorspellende waarde wordt gedreven door systematische, interpreteerbare fouten—voornamelijk vermoedelijke gevallen die later werden uitgesloten of fouten door codeurs—waardoor ze geschikte trainingslabels zijn voor AI-screeningsmodellen waarbij het missen van een diagnose kritischer is dan overidentificatie.
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
In de spoedeisende hulp is tijd de meest kritieke hulpbron. Wanneer een patiënt arriveert met pijn op de borst, moeten artsen snel beslissen of deze lijdt aan een acuut coronair syndroom, een levensbedreigende aandoening waarbij de bloedtoevoer naar het hart geblokkeerd is. Het missen van deze diagnose kan fataal zijn, maar het bestellen van een volledige batterij aan harttesten voor iedere persoon die binnenloopt is onmogelijk. Om dit op te lossen, wenden ziekenhuizen zich steeds vaker tot kunstmatige intelligentie. Deze computerprogramma's leren gevaar te herkennen door miljoenen eerdere medische dossiers te bestuderen, waarbij ze zoeken naar patronen die het menselijk oog misschien mist. Echter, voor een computer om correct te leren, heeft deze een leraar nodig die de waarheid kent. In de wereld van medische data is die leraar vaak een declaratiecode — een korte, gestandaardiseerde label die wordt toegewezen aan een bezoek van een patiënt voor de afhandeling van verzekeringen en de administratie van het ziekenhuis. De grote vraag waar onderzoekers voor staan, is of deze administratieve labels nauwkeurig genoeg zijn om een machine te leren levens te redden, of dat ze te veel fouten bevatten om te vertrouwen.
Een team van onderzoekers aan de Stanford University zette zich scharpe om deze vraag te beantwoorden door naar een decennium aan bezoeken aan de spoedeisende hulp te kijken. Ze onderzochten bijna 620.000 contacten met volwassenen tussen 2015 en 2024, waarbij ze de toegewezen declaratiecodes van patiënten vergeleken met de uiteindelijke werkelijke diagnose die door het behandelend medische team was opgesteld. De onderzoekers wilden zien of de computerleesbare codes overeenkwamen met de conclusies van de menselijke artsen. Ze ontdekten dat de declaratiecodes opmerkelijk betrouwbaar waren voor hun beoogde doel. Wanneer de codes aangaven dat een patiënt een hartconditie had, bevestigden de artsen dit in 94 van de 100 gevallen. Nog belangrijker was dat de codes zelden een echt geval misten; ze faalden er slechts 4 keer per 10.000 bezoeken in om een patiënt met een bevestigde hartconditie te signaleren. Dit betekent dat het systeem extreem goed is in het vangen van de mensen die hulp nodig hebben, wat het belangrijkste doel is voor een screeningsinstrument.
De studie toonde wel aan dat de codes niet perfect waren, maar de fouten volgden een duidelijk en begrijpelijk patroon in plaats van willekeurige fouten te zijn. Wanneer de codes fout waren, kwam dit meestal omdat ze een patiënt signaleerden bij wie een hartaanval werd vermoed, maar die later door artsen als veilig werd beoordeeld. In deze gevallen vertoonde de patiënt symptomen die sterk leken op een hartaanval, zoals een ontsteking van de hartspier of stress-gerelateerde hartproblemen, en het medische team besteedde tijd aan het uitsluiten van de gevaarlijkste mogelijkheden. Vanuit het perspectief van een kunstmatige intelligentie die is ontworpen om gevaar te screenen, zijn dit geen fouten. Een systeem dat deze patiënten signaleert, zorgt ervoor dat niemand met een potentieel hartcrisis wordt over het hoofd gezien, zelfs als dat betekent dat sommige mensen die uiteindelijk veilig blijken te zijn, een nadere controle krijgen. De weinige keren dat het systeem een echte hartaanval miste, kwam dit doordat de medische codeur simpelweg de aantekeningen van de arts over het hoofd had gezien, en niet omdat de diagnose onduidelijk was.
Deze bevindingen suggereren dat het gebruik van declaratiecodes om kunstmatige intelligentie te trainen een solide strategie is voor spoedeisende hulpafdelingen. De computer leert de brede, urgente patronen van hartproblemen te herkennen, inclusief gevallen die minder ernstig blijken te zijn, omdat de kosten van het missen van een echte hartaanval veel hoger zijn dan de kosten van het uitvoeren van een extra test op iemand die veilig is. De onderzoekers bevestigden dat de fouten in de data systematisch en voorspelbaar zijn, wat betekent dat ze kunnen worden meegewogen bij het bouwen van deze modellen. Door op deze codes te vertrouwen, kunnen ziekenhuizen instrumenten ontwikkelen die fungeren als een zeer gevoelig vangnet, waardoor de meest kritieke patiënten direct bij aankomst worden geïdentificeerd. De studie concludeert dat hoewel geen enkel datapunt foutloos is, de collectieve nauwkeurigheid van deze codes voldoende is om de volgende generatie levensreddende medische technologie te ondersteunen.
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.