Onderzoekers van het Leids Universitair Medisch Centrum en de Universiteit Leiden hebben een AI-model ontwikkeld dat voorspelt welke IC-patiënten na ontslag een verhoogd risico op heropname hebben. Het model toont ook welke patiëntkenmerken bij de voorspelling een rol spelen. Daardoor kunnen artsen de uitkomst controleren en meenemen in hun eigen klinische afweging.
Het ontslag van een patiënt van de intensive care vraagt om een zorgvuldige afweging. Een te vroeg ontslag kan leiden tot verslechtering, complicaties en een nieuwe IC-opname. Een onnodig lang verblijf vergroot onder meer het risico op ziekenhuisinfecties en houdt een schaars IC-bed bezet.
Ontvang gratis onze zorgberichten in je mailbox.
Je kunt je op elk moment afmelden via de link onderaan de e-mails die je ontvangt.
Wil je graag weten hoe onze nieuwsbrief eruit ziet? Bekijk hier het archief.
Het model is getraind met gegevens van IC-opnamen in het LUMC tussen januari 2011 en januari 2020. De onderzoekers gebruikten 12.172 opnamen voor de ontwikkeling en toetsing van het model. Na 852 van deze opnamen volgde een heropname op de IC, een percentage van 6,71 procent.
Het algoritme verdeelt patiënten over vijf groepen met elk een eigen risicoprofiel. De voorspelling is gebaseerd op een kleine set duidelijke regels. Een arts kan daardoor zien welke meetwaarden of patiëntkenmerken tot een hoger of lager risico leiden.
Een van de profielen bestaat uit patiënten bij wie het aantal witte bloedcellen in de laatste 24 uur voor ontslag sterk is verhoogd. Dat kan wijzen op een infectie die nog niet onder controle is. Voor deze groep berekende het model een heropnamerisico van 16,2 procent, tegenover 6,71 procent in de totale onderzochte groep. Zo'n signaal kan aanleiding zijn voor aanvullend onderzoek of een langere behandeling op de IC.
Het nieuwe model behaalde een ROC-AUC-score van 0,705. Dit cijfer geeft aan hoe goed het model patiënten met en zonder heropname van elkaar kan onderscheiden. Het presteerde beter dan andere onderzochte regelmodellen en had daarvoor slechts vijf regels nodig, met gemiddeld twee voorwaarden per regel.
Complexere modellen zonder duidelijke uitleg scoorden iets hoger. Random forest kwam uit op 0,727 en XGBoost op 0,752. De onderzoekers kozen bewust voor een andere balans. Bij een beslissing met directe gevolgen voor de patiënt vinden zij het belangrijk dat artsen kunnen volgen waarom een model een bepaald risico berekent.
Het model is bedoeld als ondersteuning en niet als vervanging van de intensivist. Een algoritme kan patronen herkennen in grote hoeveelheden gegevens, maar ziet de patiënt niet aan het bed. De arts combineert de uitkomst met lichamelijk onderzoek, het klinische verloop, observaties van de IC-verpleegkundige en informatie die niet in het model staat.
Die werkwijze sluit aan bij een eerder artikel op Zorgjob over het groeiende gebruik van AI en het gebrek aan scholing en duidelijke kaders. Een begrijpelijk model helpt zorgprofessionals om een uitkomst kritisch te beoordelen. Daarvoor blijven kennis van de werking, de beperkingen en de juiste toepassing nodig.
Het model wordt op dit moment niet in de dagelijkse zorg gebruikt. De onderzoekers hebben nog geen gebruikerstest met artsen uitgevoerd. Ook is het model ontwikkeld met gegevens uit één ziekenhuis. Voor invoering zijn daarom verdere validatie, onderzoek naar het gebruik in de klinische workflow en toetsing in andere ziekenhuizen nodig.
Het onderzoek laat vooral zien dat uitlegbare AI een bruikbare tussenweg kan bieden. Het model geeft een risico en maakt de belangrijkste redenen zichtbaar. De zorgprofessional houdt de verantwoordelijkheid voor de uiteindelijke beslissing.
Bron: LUMC en Journal of the American Medical Informatics Association
