Machine Learning-voorspelling van parameters van vroegtijdige waarschuwingsscores op intensive care-afdelingen (AIM-PEW-ICU)

Een groot aantal verschillende orgaanfuncties wordt in realtime geregistreerd voor patiënten die worden gemonitord op een intensive care-afdeling. Enerzijds worden de verzamelde meetwaarden gebruikt voor de continue bewaking van vitale parameters, b.v. bloeddruk, hartslag en ademhalingsfrequentie, maar worden ook meerdere keren per dag geëvalueerd in combinatie met andere gegevens tijdens afdelingsrondes. In beide gevallen zijn er bij continue monitoring op basis van een beperkt aantal parameters, maar ook bij de afzonderlijke evaluatie met een uitgebreidere set analyseerbare parameters, beperkingen in de evalueerbaarheid, zelfs met alle beschikbare zorg en expertise: Bij continue analyse is de interpretatie beperkt door het beperkte aantal continu geregistreerde parameters dat hierboven is beschreven. Hoewel een groot aantal van dergelijke metingen mogelijk is, en in ieder geval theoretisch een groter aantal parameters gemeten zou kunnen worden, zijn patiëntspecifieke grenzen zoals patiëntensamenwerking, medische grenzen zoals de betekenis van de gemeten waarden in specifieke situaties, maar ook economische grenzen zijn in deze context vaak doorslaggevend. Hoewel nauwkeurige conclusies kunnen worden getrokken uit de continue en daarom volledige weergave van aspecten van de menselijke fysiologie, vermindert de beperking van de beschikbare parameters de interpreteerbaarheid van de synthese van verschillende statussen. Bij de bredere, meer omvattende beoordelingen tijdens bezoeken op specifieke tijdstippen zijn er daarentegen beperkingen vanwege onder meer puntregistraties van individuele meetwaarden en de vooraf gedefinieerde bezoektijden. Zelfs als er grenswaarden zijn (of kunnen worden) gedefinieerd voor de gemeten gegevens, en een gevolg, b.v. een therapiestap wordt gestart als deze waarden worden overschreden of niet worden bereikt, kan deze waarschuwing alleen met terugwerkende kracht worden geactiveerd als deze waarden worden overschreden en kan een gevolg alleen met terugwerkende kracht worden geïnitieerd. In deze situatie is een pathofysiologische verandering al zo ver gevorderd dat in veel gevallen een compensatiemechanisme niet meer adequaat functioneert en overgaat in een decompensatiesituatie. In deze situatie verkeren de getroffen patiënten op een intensive care-afdeling in veel gevallen in levensgevaar. Beide situaties, de continue registratie van een beperkt aantal parameters en de evaluatie van uitgebreide gegevens in de vorm van een momentopname, konden ondanks de genoemde beperkingen worden geoptimaliseerd. Zonder de verzameling van gegevens (tijd, reikwijdte, etc.) te veranderen, blijven de mogelijkheden om de interpretatie ervan te optimaliseren en de consequenties die uit de interpretatie kunnen worden afgeleid, bestaan. De interpretatie van de gegevens wordt primair bepaald door de tolken als interpretatiemethode. De huidige benaderingen proberen machine learning (ML)-methoden te gebruiken om individuele situaties te voorspellen die ongunstige gebeurtenissen in de gegeven gegevens herkennen en tegelijkertijd het mogelijk maken alarmen preventief te activeren, dat wil zeggen voordat een levensbedreigende situatie zich voordoet. Bovendien zijn er al onderzoeken naar de verandering van vroege waarschuwingsscores in tijdreeksen, die echter beperkt zijn in hun informatieve waarde voor langere voorspellingsperioden.