Een voorspellend model voor PICC-gerelateerde trombose bij sepsispatiënten met behulp van het XGBoost-algoritme

Waarom dit belangrijk is voor patiënten en families

Veel mensen met levensbedreigende infecties, zoals sepsis, zijn afhankelijk van lange, flexibele slangetjes die in hun aderen worden geplaatst om medicijnen en voeding te krijgen. Deze lijnen, PICC-lijnen genoemd, zijn essentieel maar kunnen soms gevaarlijke bloedstolsels veroorzaken. Deze studie laat zien hoe artsen een moderne computermethode gebruikten om te voorspellen welke sepsispatiënten het meest waarschijnlijk stolsels rond deze lijnen ontwikkelen, met als doel complicaties te voorkomen voordat ze optreden.

Katheters die helpen en soms schade veroorzaken

Wanneer patiënten sepsis hebben, hebben ze vaak wekenlang intraveneuze antibiotica, vocht en voeding nodig. Perifeer ingebracht centrale katheters, of PICC-lijnen, worden vanuit een ader in de arm richting het hart ingebracht om dit mogelijk te maken. Hoewel praktisch, kunnen PICC-lijnen ook de bloedstroom verstoren en de vaatwand irriteren, waardoor stolsels kunnen ontstaan. Deze stolsels kunnen aderen blokkeren, de IC-verblijfsduur verlengen en in ernstige gevallen losbreken en naar de longen reizen. Tot nu toe was het voor clinici moeilijk om van tevoren te weten welke patiënten het grootste risico lopen, omdat veel verschillende gezondheids- en bloedfactoren tegelijk een rol spelen.

Gebruik van big data en slimme algoritmen

De onderzoekers putten uit een grote, open kritieke zorgdatabase van een groot Amerikaans ziekenhuis, met gedetailleerde gegevens van meer dan 94.000 intensive care-opnames tussen 2008 en 2022. Uit deze bron identificeerden zij 8.128 volwassenen met sepsis die een PICC-lijn minimaal twee dagen hadden en geen bepaalde complicerende aandoeningen zoals bloedkankers. Van deze patiënten ontwikkelden 538 een met de katheter samenhangend stolsel, de meeste binnen de eerste maand na plaatsing. Het team splitste de patiënten in twee groepen: één om hun computermodel te trainen en een andere om te testen hoe goed het model zou werken op nieuwe gevallen.

Wat het model leerde over stolselrisico

Om patronen te ontdekken die te complex zijn voor eenvoudige regels, gebruikte het team een methode genaamd XGBoost, een vorm van machine learning die veel kleine beslisboommodellen combineert tot één krachtige voorspeller. Ze voerden het model gegevens toe die clinici routinematig verzamelen, waaronder leeftijd, geslacht, bloedonderzoekresultaten, andere ziekten en hoe lang de PICC aanwezig was. Het model gaf een waarschijnlijkheid dat een bepaalde patiënt een stolsel zou ontwikkelen. De nauwkeurigheid werd beoordeeld met behulp van de area under the receiver operating characteristic (ROC)-curve, een standaardmaat voor voorspellende hulpmiddelen. Scores rond 0,76 in zowel de trainings- als testgroepen duidden erop dat het model in staat was hogere-risico en lagere-risicopatiënten duidelijk te onderscheiden.

In de zwarte doos kijken

Een veelgehoorde zorg bij machine learning is dat het als een zwarte doos kan aanvoelen. Om dit aan te pakken, gebruikten de onderzoekers een interpretatiemethode genaamd SHAP om te schatten hoeveel elke factor een voorspelling naar hoger of lager risico duwde. De meest invloedrijke kenmerken waren onder meer het aantal witte bloedcellen, het aantal plaatjes, eerder hartinfarct, hemoglobine, nierfunctie, de tijd dat de PICC aanwezig was, leeftijd, milde leveraandoening, een bloedstollingsmaat genaamd protrombinetijd en diabetes zonder ernstige complicaties. Samen schetsen deze factoren een beeld van een stijgend stolselrisico wanneer ontsteking hoog is, bloed en stolling uit balans zijn en de lijn langer in de ader blijft. Een decision curve-analyse suggereerde bovendien dat het gebruik van het model om preventieve behandeling te sturen meer patiënten zou baten dan iedereen behandelen of niemand behandelen.

Wat dit aan het bed kan betekenen

Voor de dagelijkse zorg suggereert dit werk dat artsen met routinematig beschikbare informatie de kans kunnen inschatten dat een sepsispatiënt een PICC-gerelateerd stolsel ontwikkelt voordat er problemen ontstaan. Patiënten die als hoog risico worden aangemerkt, kunnen intensiever worden bewaakt, kortere katheterduur krijgen, speciale kathetertypes of vroege preventieve bloedverdunners, terwijl laagrisicopatiënten onnodige behandeling kunnen vermijden. De studie kent beperkingen—ze is afkomstig uit één ziekenhuisstelsel en gebruikt retrospectieve gegevens in plaats van een prospectieve klinische proef—maar biedt een concreet stap richting meer gepersonaliseerd en veiliger gebruik van levensreddende intraveneuze lijnen bij enkele van de zwaarst zieke patiënten.

Bronvermelding: Hao, W., She, Ty., Yuan, Zn. et al. A predictive model for PICC-related thrombosis in sepsis patients using XGBoost algorithm. Sci Rep 16, 14378 (2026). https://doi.org/10.1038/s41598-026-44999-z

Trefwoorden: sepsis, PICC-lijn, bloedstolsel, machine learning, intensive care