Verslagen

Voortgangsverslag

Samenvatting
Dit item is dichtgeklapt
Dit item is opengeklapt

Ons project heeft twee onderdelen voor welk we bij deze de stand van zaken rapporteren. Ten eerste werken we aan de ontwikkeling van predictiemodellen: in het project zijn modellen ontwikkeld op basis van regressie analyse en machine learning. Momenteel werken we aan de vergelijking van modellen op basis van registerdata (NICE) en hoog-granulaire patientdossier data (CovidPredict). De analyses voor lange termijn uitkomsten zijn in voorbereiding waarvoor we in oktober nog een data update verwachten. In aanvulling op de machine learning modellen zullen we tevens een analyse gaan doen ten aanzien van onzekerheid van voorspellingen, omdat dit aspect naar verwachting een grote impact heeft op de klinische bruikbaarheid van de modellen. Ten tweede werken we aan de identificatie van hoge risico subgroepen voor mortaliteit, waarvoor de de data beschikbaar zijn en de machine learning methoden voor subgroup identificatie in kaart zijn gebracht.

Resultaten
Dit item is dichtgeklapt
Dit item is opengeklapt

De resultaten betreffen ingestuurde manuscripten ter review voor publicatie in wetenschappelijke tijdschriften, te weten, een manuscript over automated machine learning, een manuscript over vergelijking van COVID en pneumonie, en een manuscript over vergelijking van 1e en 2e COVID-19 golf. De voorlopige resultaten zijn met alle Nederlandse ICs gedeeld op 28 juni 2021 tijdens het jaarlijks NICE symposium.

Samenvatting van de aanvraag

Samenvatting
Dit item is dichtgeklapt
Dit item is opengeklapt

[ONDERZOEKSVRAAG]

Het doel van dit project is patiënten kenmerken bij IC-opname te identificeren die geassocieerd zijn met ongewenste uitkomst, t.w., extreem lange behandelduur en sterfte (IC en ziekenhuissterfte, als ook 90, 180 dagen sterfte).

 

[URGENTIE]

Ondanks dat de piek van COVID-19 patiënten op de IC achter ons ligt, worden dagelijks nog nieuwe COVID-19 patiënten opgenomen op de Nederlandse IC’s. De zorg voor niet-COVID-19 patiënten start ook weer op, waardoor de druk op de IC capaciteit hoog blijft zeker bij een volgende golf COVID-19 infecties. Het is voor triage uitermate belangrijk om patiënten te identificeren waarvoor IC opname mogelijk niet van toegevoegde waarde is omdat zij een zeer hoge sterftekans of extreem lange behandelduur hebben. Deze prognostische informatie is belangrijk bij het ‘samen beslissen’-proces waarin intensivisten en andere specialisten samen met de patiënt en naasten een afweging over IC-opname maken. Bestaande triage protocollen werden onder druk van een mogelijk tekort aan bedden aangescherpt o.b.v. expertkennis en zonder objectieve data te gebruiken m.b.t. uitkomsten van IC patiënten met en zonder COVID-19.

 

[HYPOTHESE]

Inzicht in determinanten voor ongewenste uitkomst en identificatie van hoog-risico patiënten ondersteunen en verbeteren het triage proces.

 

[PLAN VAN AANPAK]

In deze observationele studie gebruiken we drie reeds beschikbare en continue geüpdatet datasets: de NICE registratie, CovidPredict.org dataset en Vektis. Tezamen omvat dit alle IC-patiënten in Nederland, inclusief gedetailleerde en lange termijn uitkomstinformatie van COVID-19 patiënten. We passen statistische en machine learning technieken toe om prognostische modellen voor individuele patiënten te ontwikkelen en hoog-risico groepen te identificeren. Hoe deze predictiemodellen in de praktijk gebruikt kunnen worden t.b.v. ‘samen beslissen’, wordt geëvalueerd met intensivisten, andere specialisten en een panel met ex-IC patiënten met en zonder COVID-19.

 

Naar boven
Direct naar: InhoudDirect naar: NavigatieDirect naar: Onderkant website