Ny algoritme bruger sygdomshistorie til at forudsige overlevelseschancer for intensivpatienter

Hvert år bliver der indlagt patienter i titusindvis på landets intensivafdelinger. Det er en stor udfordring at afgøre, hvilken behandling der bedst gavner patienten. Som led i den beslutning bruger læger og sygeplejersker metoder til at forsøge at forudsige en patients overlevelseschancer og dødelighed. Men metoderne i dag kan forbedres betydeligt.

Derfor har forskere fra Det Sundhedsvidenskabelige Fakultet, Københavns Universitet, og Rigshospitalet nu udviklet en ny algoritme, som langt mere præcist kan forudsige en intensivpatients chancer for at overleve. Forskningen er udgivet i det videnskabelige tidsskrift Lancet Digital Health.

”Vi har brugt danske sundhedsdata på en ny måde, da registerdata fra den enkelte patients mangeårige sygdomshistorie analyseres af en algoritme. I Danmark har vi i Landspatientregistret sygdomshistorik for millioner af danskere, og algoritmen kan i princippet automatisk trække på den enkeltes historik til gavn for den enkelte patient i behandlingssituationen,” fortæller professor Søren Brunak, Novo Nordisk Foundation Center for Protein Research.

Analyserer på 23 års sygdomshistorik
Til at udvikle algoritmen har forskerne brugt data fra mere end 230.000 patienter, der har været indlagt på intensivafdelinger i Danmark i perioden fra 2004 til 2016. I studiet analyserede algoritmen på den enkelte patients sygdomshistorik, der gik op til 23 år tilbage.

Den tog samtidig de målinger og prøver, der blev taget ved de første 24 timer af den aktuelle indlæggelse, med i beregningerne. Resultatet var en væsentlig mere præcis forudsigelse af patientens dødelighed end ved de metoder, som bliver brugt til at beregne den i dag.

”Overbehandling er en reel risiko, når dødeligt syge patienter behandles på hospitalernes intensivafdelinger. Læger og sygeplejersker har manglet et støtteværktøj, der med sikkerhed kan vejlede om, hvem der får gavn af intensivbehandling. Med disse resultater er vi kommet et stort skridt nærmere at kunne afprøve sådanne redskaber og direkte forbedre behandlingen af de sygeste patienter,” siger professor Anders Perner, Institut for Klinisk Medicin og Intensivafdelingen, Rigshospitalet.

Betydning for død og overlevelse
Algoritmen udregnede tre forudsigelser. Hvad risikoen var for, at patienten døde på hospitalet (hvilket kunne være et hvilket som helst antal dage efter indlæggelsen), inden for 30 dage af indlæggelsen og inden for 90 dage af indlæggelsen.

Forskerne kunne eksempelvis se, at op til ti år gamle diagnoser påvirkede forudsigelserne, og at en ung alder nedsatte risikoen for at dø, selv om andre værdier var meget kritiske, mens høj alder øgede dødeligheden. Algoritmen er ikke kun et redskab, som kan hjælpe i hverdagen på landets intensivafdelinger. Det kan også give viden om, hvad der har betydning for en persons død og overlevelse.

”Algoritmen ”trænes” til at huske, hvilke tidligere diagnoser, som har mest betydning for patientens overlevelseschancer. Det er, hvad enten de ligger et, fem eller ti år tilbage. Det er muligt, når man samtidig har data fra selve indlæggelsen, som for eksempel hjerterytme eller blodprøvesvar. Ved at analysere den trænede metode kan vi forstå, hvordan den vægter de forskellige parametre i forhold til død eller overlevelse,” siger Søren Brunak.

Forskerne bag studiet håber at kunne begynde kliniske forsøg med algoritmen inden for et par år. Næste skridt bliver samtidig at forsøge at udvikle algoritmen til kunne lave forudsigelser time for time.

Studiet er støttet af Innovationsfonden og Novo Nordisk Fonden.

Læs hele studiet ”Survival prediction in intensive-care units based on aggregation of long-term disease history and acute physiology: a retrospective study of the Danish National Patient Registry and electronic patient records”.

Kontakt:
Professor Søren Brunak, (+45) 20672477, soren.brunak@cpr.ku.dk

Professor Anders Perner, (+45) 35458333, anders.perner@regionh.dk

Pressemedarbejder Cecilie Krabbe, (+45) 93565911, cecilie.krabbe@sund.ku.dk

Emner