Development and preliminary external validation of a machine learning-based model for predicting 28-day mortality in non-HIV patients with Pneumocystis jirovecii pneumonia: a two-centre retrospective study
Deze retrospectieve studie met twee centra ontwikkelde en valideerde preliminair een LASSO logistische regressiemodel met behulp van 13 routinematig beschikbare klinische en laboratoriumvariabelen, die veelbelovende prestaties vertoonde bij het voorspellen van de 28-daagse mortaliteit voor niet-HIV-patiënten met Pneumocystis jirovecii pneumonie, hoewel de bevindingen bevestiging vereisen door middel van grotere prospectieve studies.
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 het complexe landschap van de menselijke gezondheid slaan sommige infecties met een bijzondere wreedheid toe bij mensen wier immuunsysteem is verzwakt. Een dergelijke infectie wordt veroorzaakt door een microscopisch organisme genaamd Pneumocystis jirovecii, dat rustig in de lucht leeft, maar kan veranderen in een ernstige longontsteking wanneer de afweer van een persoon laag is. Hoewel deze aandoening ooit werd beschouwd als een bijna uitsluitend dreiging voor mensen die leven met HIV, hebben artsen een verontrustende verschuiving waargenomen: het treft steeds vaker patiënten met andere ernstige gezondheidsuitdagingen, zoals kanker, orgaantransplantaties of auto-immuunziekten. Voor deze niet-HIV-patiënten beweegt de ziekte vaak met verbazingwekkende snelheid, wat zorgt voor snelle ademhalingsproblemen en een plotselinge daling van het vermogen van het lichaam om te functioneren. De centrale uitdaging voor medische teams is weten welke patiënten waarschijnlijk zullen overleven en welke direct gevaar lopen binnen enkele weken te overlijden, zodat zij snel kunnen handelen. Toch is het voorspellen van deze uitkomst moeilijk omdat de reactie van het lichaam een verstrengeld web van factoren omvat, van hoe goed de longen werken tot hoe het bloed stolt en hoe de organen met stress omgaan.
Om deze onzekerheid aan te pakken, heeft een team van onderzoekers in China zich gericht op het bouwen van een digitale tool die in staat is om de waarschuwingssignalen van een fatale afloop te spotten voordat het te laat is. Ze richtten zich op een specifieke groep volwassenen bij wie deze longontsteking was bevestigd, maar die geen HIV hadden. Door terug te kijken naar de medische dossiers van 165 patiënten die tussen 2020 en 2025 in twee grote ziekenhuizen werden behandeld, verzamelde het team een enorme hoeveelheid informatie over de conditie van elk persoon op het moment van diagnose. Deze gegevens bevatten basisdetails zoals leeftijd en geslacht, de ernst van hun ziekte gemeten met standaard scoringssystemen, de behandelingen die zij ontvingen, en een breed scala aan bloedtestresultaten. Het doel was om te zien of een computerprogramma kon leren om de specifieke patronen in deze gegevens te herkennen die de patiënten die 28 dagen overleefden onderscheidden van degenen die dat niet deden.
De onderzoekers testten verschillende verschillende wiskundige benaderingen, bekend als machine learning-algoritmen, om te zien welke het beste door de informatie kon sorteren. Ze vergeleken methoden die menselijke besluitvorming nabootsen, methoden die complexe beslisbomen bouwen, en andere die zoeken naar subtiele verbanden tussen variabelen. Na het draaien van deze verschillende modellen tegen de gegevens van het eerste ziekenhuis, ontdekten ze dat één specifieke benadering, die een techniek gebruikt om minder belangrijke informatie weg te filteren, het best presteerde. Dit model identificeerde dertien sleutelfactoren die het nauwst verbonden waren met het sterfterisico. Deze factoren omvatten de algemene ernstscore van de patiënt, of zij medicijnen gebruikten om de bloeddruk te ondersteunen, de niveaus van bepaalde eiwitten in hun bloed die wijzen op ontsteking of stolling, en hoe goed de longen zuurstof uitwisselden.
Toen het team dit best presterende model nam en het testte op een aparte groep van 23 patiënten uit een ander ziekenhuis, waren de resultaten opmerkelijk. Het model identificeerde de patiënten die zouden overleven met een hoge mate van nauwkeurigheid, en hoewel het een perfecte specificiteit bereikte bij het identificeren van degenen die niet zouden overleven, was het vermogen om alle niet-overlevenden te detecteren beperkt; het identificeerde slechts ongeveer twee derde van hen correct. Echter, de kleine omvang van deze tweede groep betekent dat de resultaten eerder als een veelbelovend begin dan als een definitief bewijs moeten worden beschouwd. De analyse onthulde ook welke stukken informatie het meest belangrijk waren voor de beslissing van de computer. Het bleek dat het niveau van een stof genaamd lactaat in het bloed, wat signaleert dat de weefsels van het lichaam niet genoeg zuurstof krijgen, het niveau van een stollingsmarker genaamd D-dimer, en het gebruik van medicijnen om de bloeddruk te ondersteunen, de drie meest invloedrijke factoren waren. Deze variabelen vertelden het model in essentie dat het lichaam van de patiënt onder zware spanning stond, worstelend met de circulatie van bloed en het behoud van basisfuncties.
De studie concludeert dat een dergelijke tool, gebouwd uit routinematige medische tests en observaties, veelbelovend is om artsen te helpen het risico vroegtijdig in het verloop van de ziekte in te schatten. De auteurs zijn echter voorzichtig en merken op dat dit werk voorlopig is. Omdat de studie terugkeek op oude dossiers en een relatief klein aantal patiënten omvatte, moeten de bevindingen het beste worden gezien als een hypothese die verdere tests behoeft. Het model is nog niet bewezen de manier waarop artsen patiënten behandelen te veranderen of de overlevingskansen te verbeteren in een echte klinische setting. Voordat deze tool gebruikt kan worden om levensbeslissingen te begeleiden, moet deze gevalideerd worden in veel grotere groepen mensen in verschillende regio's en zorgsystemen. Voor nu staat het als een duidelijke demonstratie dat de complexe, chaotische signalen van een ernstige infectie georganiseerd kunnen worden in een samenhangende voorspelling, wat een potentiële nieuwe manier biedt om de toekomst van het herstel van een patiënt te zien.
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.