AI en hemodynamische verslechtering op de intensive care

Op de intensive care (IC) worden patiënten continu gemonitord. Elke seconde komt er tal van nieuwe informatie binnen: bloeddrukcurves, hartritmes, ademhalingsparameters en laboratoriumuitslagen. Per patiënt kan dit oplopen tot duizenden datapunten per minuut.

Toch blijft het voor artsen en verpleegkundigen lastig om vroegtijdig te herkennen wanneer een patiënt verslechtert. Die verslechtering lijkt vaak plotseling, zoals een hartstilstand of een sterke bloeddrukdaling, terwijl de data al uren eerder subtiele afwijkingen laat zien. Artificial intelligence (AI) biedt een mogelijkheid om deze verborgen signalen te herkennen en benutten.

De Intensive Care

De IC is de afdeling in het ziekenhuis waar de meest acuut zieke mensen worden behandeld. De patiëntenpopulatie is heel divers: sommige patiënten liggen er vanwege een trauma zoals een auto-ongeluk, anderen voor herstel na een zware operatie en weer anderen in verband met een acute verslechtering van een al langer bestaande ziekte. Er zijn heel veel mogelijke redenen. Wat ze allemaal gemeen hebben, is dat hun toestand continue monitoring vereist om plotselinge verslechtering te kunnen behandelen.

Hemodynamiek 

Een van de belangrijkste systemen die bij iedere patiënt continu gemonitord wordt, is de hemodynamische toestand van de patiënt. Daarmee bedoelen we hoe goed alle organen en perifere weefsels van het hart via de bloedvaten zuurstof en voedingsstoffen krijgen en hoe goed de afvoer van afvalstoffen zoals koolstofdioxide is. Wanneer dit niet goed gaat, door bijvoorbeeld een verlaagde bloeddruk of een stilstaand hart, spreken we van hemodynamische verslechtering. Snel ingrijpen met medicatie en andere therapie is dan essentieel, want zonder behandeling kan weefselschade optreden, kunnen organen uitvallen en kan de patiënt uiteindelijk overlijden. Als we van tevoren zien aankomen dat een patiënt hemodynamisch achteruit zal gaan, kunnen we daar preventief op handelen en schade voor de patiënt (deels) voorkomen. 

Waarom voorspellen nu zo lastig is

Hoewel hemodynamische verslechtering soms acuut lijkt, weten we dat er vaak al eerder subtiele veranderingen optreden [1,2]. Bijvoorbeeld bij hypotensie (een te lage bloeddruk) of een hartstilstand laten metingen uren van tevoren al kleine afwijkingen zien in bloeddruk, ademhaling of hartsignalen (ECG). Echter, door de hoeveelheid data (meerdere ECG-leads, labuitslagen, demografische data, tekstdata, ademhalingscurves, bloeddruk curves, etc. wat op kan lopen tot 100 GB per patiënt per dag) en het feit dat artsen en verpleegkundigen veel andere taken hebben, is het niet mogelijk om elk signaal constant te bekijken en analyseren [3]. 

Als reactie hierop zijn diverse risicoscores ontwikkeld zoals de APACHE IV, SOFA, SAPS III en MEWS. Dit zijn scores die bij opname of gedurende een opname berekend worden, maar hebben helaas een paar grote beperkingen:

1. Ze worden dagelijks berekend en zijn hierdoor niet dynamisch genoeg om te reageren op veranderingen binnen een dag passend bij de complexe en dynamische setting van de IC.
2. Ze gebruiken slechts een beperkt en laagfrequent deel van de beschikbare data zoals data die één keer per uur of dag gemeten worden.
3. Veel scores zijn ontwikkeld en gevalideerd op een patiëntenpopulatie buiten de IC waardoor ze minder goed op de IC-populatie presteren.
4. Ze zijn aspecifiek: de risicoscores zijn vaak een maat van algehele verslechtering van een patiënt maar hierdoor weet je bij verslechtering niet hoe een patiënt zal verslechteren (hemodynamisch, respiratoir, neurologisch, etc.). Als je dat niet weet, is het veel moeilijker om preventief acties te kunnen ondernemen.
   

AI als continue bewaker

Hier biedt artificial intelligence (AI) mogelijk een goede oplossing. AI is zeer geschikt om grote hoeveelheden data tegelijkertijd te verwerken en continu een uitkomst te genereren. Waar een arts kort naar een ECG kijkt, kan een AI-model de gehele ECG van de afgelopen uren analyseren samen met demografisch data en op basis daarvan een continue risicoscore berekenen voor een bepaald event, zoals bijvoorbeeld, wat is de kans op shock (een tekort aan bloedtoevoer naar weefsels)? 

De werking van zo’n AI-model kan als volgt beschreven worden. Het model kijkt eerst naar een bepaalde hoeveelheid historische data. Dit wordt de observation window genoemd. Op basis daarvan maakt het een voorspelling binnen een vooraf gedefinieerd tijdsvenster, de prediction window. Vaak zit hier nog een tijdsgat tussen, de gap window. Hierdoor is er ruimte tussen de observation window en de prediction window om preventief acties te kunnen uitvoeren bij implementatie van het model in de klinische praktijk. Als voorbeeld een hartstilstand: het model kijkt naar data van de afgelopen 24 uur, heeft een gap window van twee uur en voorspelt of na die twee uur binnen twee uur een hartstilstand plaatsvindt. 

De verschillende vormen van hemodynamische verslechtering

Er zijn op de IC grofweg vier grote takken te onderscheiden van AI-modellen voor hemodynamische verslechtering:

1. Hypotensie
2. Hartstilstand
3. Vasoactieve medicatie. Het gebruik van medicatie die invloed heeft op de toestand van vaten zoals noradrenaline wat o.a. zorgt voor vasoconstrictie waardoor de bloeddruk omhooggaat.
4. Shock (een tekort van bloedtoevoer naar weefsels). Voor shock ligt de focus met name op septische shock. Dat is shock als gevolg van sepsis, een ernstige ontstekingsreactie van het lichaam als gevolg van een infectie. 

Ook is er steeds meer een tendens naar modellen die meerdere van de vier categorieën gezamenlijk voorspellen: een ‘composite outcome’, ofwel een samengestelde uitkomst. 

Het meeste werk focust zich op hypotensie. Hierbij wordt vaak met data van maar enkele uren van hoofdzakelijk de arteriële bloeddruk bepaald of er verslechtering op gaat treden. Een moeilijk punt op dit gebied is het vinden van een goede definitie voor hypotensie. We zijn er nog niet uit hoe laag de bloeddruk van een patiënt moet zijn voordat we kunnen spreken over hypotensie en dit zal ook per patiënt verschillen. Daarnaast is ook de vraag hoelang de bloeddruk onder een bepaald punt moet blijven voordat we kunnen spreken over hypotensie. In de literatuur zijn verschillende ideeën hierover zoals 27 van de 30 minuten in je prediction window, 5 minuten aaneengesloten of een meer individuele aanpak met een procentuele daling ten opzichte van het gemiddelde van de patiënt. Wel zien we dat ongeacht de gekozen definitie, de nieuwste AI-modellen heel goed presteren met hoge accuratesse en sensitiviteit (hoeveel procent van de mensen met een hartstilstand worden gedetecteerd).

Ook is er heel veel gedaan op het gebied van hartstilstand. Dit is natuurlijk een medisch probleem met heel grote consequenties. Wat het voor AI-modellen lastig maakt, is dat er een sterke ‘class imbalance’ is. Met andere woorden: de hoeveelheid gevallen waarbij een hartstilstand optreedt is relatief klein vergeleken met de hoeveel patiënten die dat niet hebben. Door een dergelijke class imbalance zijn modellen heel snel geneigd om te voorspellen dat een patiënt geen hartstilstand heeft en dan heeft het model het bijna altijd goed en lijkt het alsof het model heel goed bezig is. Hier zijn allemaal slimme oplossingen voor bedacht en met resultaat: de modellen worden steeds beter met een sensitiviteit tot wel 90% [5]. 

De Toekomst

De huidige modellen staan nog ver van implementatie in de kliniek af. Een van de weinige universeel beschikbare modellen voor hemodynamische verslechtering is de Hypotension Prediction Index (HPI) van Edwards Lifesciences. Echter, de HPI is voornamelijk getraind op OK data en ze hadden moeilijke periodes aan data expliciet eruit gelaten bij de training en validatie waardoor de resultaten beter leken dan in werkelijkheid het geval zal zijn.

Voor het merendeel van de modellen ontbreekt externe validatie en implementatieonderzoek. Veel algoritmen worden ontwikkeld, maar slechts weinig worden getest in andere ziekenhuizen of geëvalueerd op hun daadwerkelijke impact op de zorg. Daarmee blijven dit soort AI-modellen nog ver verwijderd van de werkelijkheid. Daarom moet de focus de komende jaren verschuiven: van het bouwen van steeds nieuwe modellen, naar het implementeren en evalueren van bestaande oplossingen. Pas wanneer AI aantoonbaar en betrouwbaar toegevoegde waarde heeft, kan het daadwerkelijk zijn potentie waarmaken en bijdragen aan betere en veiligere zorg.