Voorspelling met machine learning van ontslagbestemming bij patiënten met de ziekte van Parkinson; een landelijke cohortstudie

Waarom ziekenhuisontslag belangrijk is voor mensen met Parkinson

Voor gezinnen die met de ziekte van Parkinson leven, roept een ziekenhuisopname vaak een zorgwekkende vraag op: kan hun dierbare naar huis terugkeren, of moet diegene verhuizen naar een verzorgingsinstelling of krijgt die levensbedreigende complicaties? Deze studie gebruikt moderne computertools om die kansen al vroeg tijdens een opname te schatten, waardoor artsen, patiënten en mantelzorgers meer tijd krijgen om te plannen wat er daarna moet gebeuren.

Kijken over ziekenhuizen in het hele land

De onderzoekers analyseerden gegevens uit een grote Amerikaanse ziekenhuisdatabase die ruwweg een kwart van alle opnames in het land vastlegt. Ze richtten zich op meer dan 280.000 mensen van 50 jaar en ouder die tussen eind 2017 en midden 2023 in het ziekenhuis waren opgenomen met de ziekte van Parkinson. Voor elke persoon bekeken ze alleen de eerste opname in die periode en groeperden de uiteindelijke uitkomsten in drie eenvoudige categorieën: naar huis, verhuizen naar een soort zorginstelling, of overlijden in het ziekenhuis. Bijna de helft van de patiënten ging naar huis, bijna evenveel ging naar een instelling, en ongeveer één op veertien overleed voordat ze ontslagen werden.

Patronen in wie wel en niet naar huis gaat

Mensen die naar een instelling werden gestuurd, waren over het algemeen ouder en medisch kwetsbaarder dan degenen die naar huis gingen. Ze hadden vaker dementie, slikproblemen, een longontsteking door verslikking, of een recente fractuur of val. Ze waren ook vaker ongehuwd en waren vaker vanuit een andere zorginstelling naar het ziekenhuis gekomen, niet rechtstreeks vanuit huis. Hun ziekenhuisverblijven waren langer en ze kregen meer revalidatietherapie. Patiënten die in het ziekenhuis overleden, hadden de hoogste percentages dementie en ernstige longinfecties, wat benadrukt hoe gevorderde ziekte en complicaties deze uitkomsten bepalen.

Computers leren risico te herkennen

Om deze patronen om te zetten in praktische hulpmiddelen, trainde het team machine learning-modellen, een type computerprogramma dat leert van data, om elk van de drie ontslaguitkomsten te voorspellen. Met behulp van het grootste deel van de opnames om de modellen te trainen en de rest om ze te testen, bereikten de programma’s een goede nauwkeurigheid voor alle drie categorieën. Zo kon het model dat voorspelde wie naar huis zou gaan ongeveer driekwart van de gevallen correct onderscheiden van andere uitkomsten. Een soortgelijk model voor verhuizingen naar een instelling presteerde even goed, en het model dat overlijden in het ziekenhuis voorspelde deed het iets beter. Deze modellen werden gecontroleerd over verschillende tijdsperioden en licht differentiële manieren om verzekeringsgroepen te categoriseren, en hun prestaties bleven standhouden, wat suggereert dat ze redelijk stabiel zijn.

Een eenvoudige bedzijdescore voor instellingsrisico

Omdat artsen en verpleegkundigen hulpmiddelen nodig hebben die ze snel kunnen begrijpen, bouwden de onderzoekers ook een eenvoudiger, transparanter risicoscore gericht op het voorspellen van ontslag naar een instelling. Deze score gebruikte zeven gemakkelijk herkenbare kenmerken: een voorgeschiedenis van fractuur, dementie, aankomst als overdracht vanuit een andere instelling, een voorgeschiedenis van vallen, type verzekering, huwelijkse staat en de regio van het land waar het ziekenhuis zich bevindt. Elke factor voegt punten toe of trekt ze af, en de totaalscore plaatst patiënten in lage, middelgrote of hoge risicogroepen. In deze studie had de laagrisicogroep ongeveer veertig procent kans op ontslag naar een instelling, terwijl degenen in de hoogrisicogroep bijna drie op de vier kans hadden.

Wat dit betekent voor patiënten en families

Deze hulpmiddelen bepalen niet waar één persoon na een ziekenhuisverblijf naartoe moet, maar ze kunnen dienen als een vroegwaarschuwingslampje. Door patiënten met Parkinson te benadrukken die waarschijnlijker intensieve ondersteuning nodig hebben of met ernstige complicaties worden geconfronteerd, kunnen de modellen en de zevenpuntsscore eerder gesprekken op gang brengen over revalidatie, thuiszorg of langdurige zorg. In combinatie met klinisch oordeel en voorkeuren van de familie kunnen dergelijke datagedreven benaderingen ziekenhuizen helpen veiliger, meer gepersonaliseerde ontslagplannen te organiseren en beperkte zorgmiddelen beter af te stemmen op degenen die ze het meest nodig hebben.

Bronvermelding: Kamo, H., Mehta, T.R., Remz, M. et al. Machine learning prediction of discharge destination in patients with Parkinson’s disease; a nationwide cohort study. npj Parkinsons Dis. 12, 120 (2026). https://doi.org/10.1038/s41531-026-01309-8

Trefwoorden: Ziekte van Parkinson, ziekenhuisontslag, machine learning, risicovoorspelling, postacute zorg