AI-model voorspelt overlijden en complicaties na hartingreep

Voor de zorgverleners en patiënten

Historisch gezien hebben zowel patiënten als clinici de voordelen van procedures zoals coronaire angiografie en PCI overschat en de risico's onderschat. Dit heeft geleid tot beperkingen in de adoptie van strategieën om bloedingen en contrast-geassocieerde acute kidney injury (acute nierbeschadiging; AKI) te vermijden bij patiënten met het hoogste risico. Het heeft ook de nauwkeurigheid en volledigheid van het proces van geïnformeerde toestemming verminderd.¹

Historisch

Er zijn eerder risicostratificatiehulpmiddelen gecreëerd om te proberen het individuele risico van een patiënt voor PCI concreet te identificeren. Patiënten waren niet betrokken bij de constructie en het ontwerp van deze hulpmiddelen, terwijl dit wel belangrijk is. Bovendien kampen veel van deze tools met aanzienlijke beperkingen, zoals bescheiden nauwkeurigheid, een beperkte focus op een enkel resultaat en gebrek aan bruikbaarheid aan het bed.¹

Gradient boosting

Het merendeel van eerdere voorspellende modellen vertrouwde op logistieke regressie, die is aangetoond te worden overtroffen door moderne algoritmen gebaseerd op gradient boosting.¹ Gradient boosting is een machine learning-techniek die wordt gebruikt voor het bouwen van voorspellende modellen. Het is een ensemble-leermodel waarbij meerdere zwakke voorspellende modellen, meestal beslissingsbomen, worden gecombineerd om een krachtiger model te creëren.² XGBoost is een voorbeeld van een machine learning-algoritme dat gradient boosting en beslissingsbomen gebruikt om uitkomsten te voorspellen door complexe variabele interacties en niet-lineaire relaties te identificeren.¹

Hypothese

De onderzoekers veronderstelden dat met het gebruik van het XGBoost machine learning-algoritme, een diverse en moderne PCI-database en feedback van patiënten, nauwkeurige modellen zouden kunnen worden gemaakt om een uitgebreide lijst van complicaties na PCI te voorspellen. Daarnaast gingen ze er van uit dat ze de resultaten op een duidelijke en gemakkelijk te begrijpen manier aan patiënten en zorgverlener konden presenteren. Een verbeterde identificatie van het risico op complicaties na PCI zou dan kunnen leiden tot:¹

1. Verbeterde medische besluitvorming en het proces van geïnformeerde toestemming,
2. Op maat gemaakte behandelbeslissingen om de veiligheid en uitkomsten voor de patiënt te maximaliseren
3. Vergelijkende benchmarking en kwaliteitsverbetering van het systeem

Onderzoek

Een groep van 66 volwassenen onderging een semi kwantitatieve enquête waarin een voorkeurslijst van resultaten en modelweergave werd beoordeeld. Het machine learning-cohort omvatte 107.793 patiënten die PCI-procedures ondergingen in 48 ziekenhuizen in het Blue Cross Blue Shield of Michigan Cardiovascular Consortium-register (BMC2-register). Externe validatie werd uitgevoerd in de Cardiac Care Outcomes Assessment Program-database van 56.583 procedures in 33 ziekenhuizen in Washington.¹

Resultaten

De algehele mortaliteit in het ziekenhuis was 1,85% (n = 1999), acuut nierletsel 2,51% (n = 2519), dialyse 0,44% (n = 462), beroerte 0,41% (n = 447), ernstige bloeding 0,89% (n = 942) en transfusie 2,41% (n = 2592). Het model presteerde consistent en accuraat bij het voorspellen van verschillende complicaties, waaronder mortaliteit. De voorspelde waarden kwamen goed overeen met de werkelijke geobserveerde uitkomsten, zowel in de oorspronkelijke dataset als bij de externe validatiepopulatie. Deelnemers aan de enquête gaven de voorkeur aan een uitgebreide lijst van individueel gerapporteerde postprocedurele resultaten.¹

Conclusie

De machine learning-modellen van BMC2 voorspelden nauwkeurig de resultaten na PCI met behulp van gangbare pre-procedurele risicofactoren. Door gebruik te maken van patiëntenfeedback gebruiken de BMC2-modellen een op de patiënt gericht hulpmiddel om risico's duidelijk weer te geven aan patiënten en zorgverleners (https://shiny.bmc2.org/pci-prediction/). Verbeterde risicovoorspelling voorafgaand aan PCI kan helpen bij het informeren van behandelkeuzes en discussies over gedeelde besluitvorming.¹