Machine learning-model combineert timing en weergegevens.
Een tak van kunstmatige intelligentie (AI), machine learning genaamd, kan het risico op een hartstilstand buiten het ziekenhuis nauwkeurig voorspellen - wanneer het hart plotseling stopt met kloppen - met behulp van een combinatie van timing en weergegevens, vindt onderzoek dat online in het tijdschrift is gepubliceerd Hart.
Machine learning is de studie van computeralgoritmen en is gebaseerd op het idee dat systemen kunnen leren van gegevens en patronen kunnen identificeren om beslissingen te nemen met minimale tussenkomst.
Het risico op een hartstilstand was het grootst op zondag, maandag, feestdagen en wanneer de temperatuur binnen of tussen dagen sterk daalde, blijkt uit de bevindingen.
Deze informatie kan worden gebruikt als een vroegtijdig waarschuwingssysteem voor burgers, om hun risico te verlagen en hun overlevingskansen te vergroten, en om de paraatheid van medische hulpdiensten te verbeteren, suggereren de onderzoekers.
Hartstilstand buiten het ziekenhuis komt over de hele wereld veel voor, maar wordt over het algemeen geassocieerd met lage overlevingspercentages. Het risico wordt beïnvloed door de heersende weersomstandigheden.
Maar meteorologische gegevens zijn uitgebreid en complex, en machine learning heeft het potentieel om associaties op te pikken die niet worden geïdentificeerd door conventionele eendimensionale statistische benaderingen, zeggen de Japanse onderzoekers.
Om dit verder te onderzoeken, beoordeelden ze het vermogen van machine learning om dagelijkse hartstilstand buiten het ziekenhuis te voorspellen, met behulp van het dagelijkse weer (temperatuur, relatieve vochtigheid, regenval, sneeuwval, bewolking, windsnelheid en atmosferische druk) en timing ( jaar, seizoen, dag van de week, uur van de dag en feestdagen) gegevens.
Van de 1,299,784 gevallen die zich tussen 2005 en 2013 voordeden, werd machine learning toegepast op 525,374, waarbij gebruik werd gemaakt van weer- of timinggegevens, of beide (trainingsdataset).
De resultaten werden vervolgens vergeleken met 135,678 gevallen die zich in 2014-15 voordeden om de nauwkeurigheid van het model voor het voorspellen van het aantal dagelijkse hartstilstanden in andere jaren (testdataset).
En om te zien hoe nauwkeurig de aanpak op lokaal niveau zou kunnen zijn, voerden de onderzoekers een 'heatmap-analyse' uit, waarbij ze een andere dataset gebruikten die was ontleend aan de locatie van hartstilstanden buiten het ziekenhuis in de stad Kobe tussen januari 2016 en december 2018.
De combinatie van weers- en timinggegevens voorspelde het meest nauwkeurig een hartstilstand buiten het ziekenhuis in zowel de trainings- als testdatasets.
Het voorspelde dat zondagen, maandagen, feestdagen, winters, lage temperaturen en scherpe temperatuurdalingen binnen en tussen dagen sterker geassocieerd waren met hartstilstand dan alleen de weers- of timinggegevens.
De onderzoekers erkennen dat ze geen gedetailleerde informatie hadden over de locatie van hartstilstanden, behalve in de stad Kobe, en evenmin hadden ze gegevens over reeds bestaande medische aandoeningen, die beide de resultaten kunnen hebben beïnvloed.
Maar ze suggereren: "Ons voorspellende model voor de dagelijkse incidentie van [hartstilstand buiten het ziekenhuis] is algemeen generaliseerbaar voor de algemene bevolking in ontwikkelde landen, omdat deze studie een grote steekproefomvang had en uitgebreide meteorologische gegevens gebruikte."
Ze voegen eraan toe: "De methoden die in deze studie zijn ontwikkeld, dienen als een voorbeeld van een nieuw model voor voorspellende analyses die kunnen worden toegepast op andere klinische uitkomsten die van belang zijn in verband met levensbedreigende acute hart- en vaatziekten."
En ze concluderen: "Dit voorspellende model kan nuttig zijn om [hartstilstand buiten het ziekenhuis] te voorkomen en de prognose van patiënten te verbeteren ... via een waarschuwingssysteem voor burgers en [medische hulpdiensten] op dagen met een hoog risico in de toekomst."
In een gekoppeld redactioneel commentaar is Dr. David Foster Gaieski van het Sidney Kimmel Medical College aan de Thomas Jefferson University het daarmee eens.
"Weten wat het weer de komende week waarschijnlijk zal zijn, kan 'cardiovasculaire noodwaarschuwingen' genereren voor mensen die risico lopen - ouderen en anderen op de hoogte stellen van komende perioden van verhoogd gevaar, vergelijkbaar met hoe weergegevens worden gebruikt om mensen op de hoogte te stellen van aanstaande gevaarlijke wegen omstandigheden tijdens winterstormen”, legt hij uit.
"Deze voorspellingen kunnen worden gebruikt voor de inzet, planning en planning van middelen, zodat medische noodhulpsystemen, reanimatiehulpmiddelen van de afdeling spoedeisende hulp en laboratoriumpersoneel voor hartkatheterisatie op de hoogte zijn van en voorbereid zijn op het aantal verwachte [gevallen] in de komende dagen ," hij voegt toe.
Referenties:
"Machine learning-model voor het voorspellen van hartstilstand buiten het ziekenhuis met behulp van meteorologische en chronologische gegevens" 17 mei 2021, Hart.
DOI: 10.1136/heartjnl-2020-318726
“Weersvoorspelling volgende week: bewolkt, koud, met kans op hartstilstand” 17 mei 2021, Hart.
DOI: 10.1136/heartjnl-2021-318950
Financiering: Environmental Restoration and Conservation Agency van Japan; Japan Vereniging ter Bevordering van Wetenschap; Intramuraal onderzoeksfonds voor hart- en vaatziekten van het National Cerebral and Cardiovascular Center
