Onderzoekers van het Leids Universitair Medisch Centrum (LUMC) en het Leiden Institute of Advanced Computer Science (LIACS) hebben een AI-model ontwikkeld dat kan helpen inschatten welke patiënten na ontslag van de intensive care een verhoogd risico lopen om opnieuw te worden opgenomen. Bijzonder aan de aanpak is dat het model niet alleen een voorspelling geeft, maar ook inzichtelijk maakt welke patiëntkenmerken daaraan ten grondslag liggen.
De onderzoekers richten zich op patiënten die vanuit de intensive care worden overgeplaatst naar een reguliere verpleegafdeling. Hoewel zo’n beslissing wordt genomen op basis van de medische toestand van de patiënt, kan het voorkomen dat iemand binnen korte tijd toch opnieuw intensieve zorg nodig heeft. Het ontwikkelde model voorspelt het risico dat een patiënt binnen zeven dagen opnieuw op de intensive care of Medium Care terechtkomt.
Voor het onderzoek werden gegevens gebruikt van duizenden IC-opnames in het LUMC tussen 2011 en 2020. Daarbij analyseerden de onderzoekers onder meer laboratoriumwaarden, vitale functies, medicatie en andere patiëntkenmerken.
Uitleg bij de voorspelling
Veel AI-modellen kunnen grote hoeveelheden medische gegevens combineren en op basis daarvan een risico berekenen. Een nadeel is dat voor artsen niet altijd duidelijk is hoe het systeem tot zo’n voorspelling komt. Dat is juist bij medische beslissingen een belangrijk aandachtspunt.
Het LUMC en LIACS gebruikten daarom een techniek op basis van zogeheten Truly Unordered Rule Sets, of TURS. Hiermee worden patiëntgegevens vertaald naar een beperkt aantal begrijpelijke regels. Een arts kan daardoor niet alleen zien dat een patiënt bijvoorbeeld een verhoogd risico heeft, maar ook welke combinatie van waarden daarvoor verantwoordelijk is.
Het model identificeerde vijf groepen patiënten met verschillende risicoprofielen. Zo bleek een combinatie van een verhoogd ureumgehalte en een hoge ademhalingsfrequentie in de laatste 24 uur voor ontslag samen te hangen met een relatief hoog risico op heropname. Ook afwijkingen in onder meer bloedstolling en het aantal witte bloedcellen kwamen in sommige risicoprofielen terug.
Die informatie kan artsen mogelijk helpen om een patiënt nader te onderzoeken of een ontslag van de IC opnieuw te beoordelen.
Afweging tussen nauwkeurigheid en uitlegbaarheid
De onderzoekers vergeleken de methode met andere machine-learningmodellen. Modellen als XGBoost en Random Forest bleken op sommige maatstaven iets nauwkeuriger te voorspellen. Daar staat tegenover dat de werking van deze modellen moeilijker rechtstreeks te interpreteren is.
De TURS-methode haalt volgens de onderzoekers een bruikbare voorspellende prestatie met slechts enkele regels. Daarmee laat het onderzoek ook een bredere afweging bij medische AI zien: de technisch meest nauwkeurige voorspelling hoeft niet automatisch de meest geschikte oplossing voor de klinische praktijk te zijn. Artsen moeten immers kunnen beoordelen waarom een systeem een patiënt als risicovol aanmerkt.
Het AI-model is nog niet in gebruik voor daadwerkelijke ontslagbeslissingen op de intensive care. Het onderzoek is gebaseerd op historische patiëntgegevens en verdere validatie is nodig voordat toepassing in de dagelijkse zorg aan de orde is. Ook willen de onderzoekers onder meer bestuderen hoe intensivisten met de voorspellingen en uitleg van het systeem omgaan.
Het model is daarmee voorlopig bedoeld als mogelijke ondersteuning van artsen en niet als systeem dat zelfstandig bepaalt wanneer een patiënt de intensive care kan verlaten.
