Predykcja stężenia płytek krwi na podstawie pomiarów ROTEM z użyciem uczenia maszynowego

Dlaczego szybkie badania płytek krwi mają znaczenie

Gdy pacjent krwawi podczas operacji lub na intensywnej terapii, lekarze muszą szybko zdecydować, czy podać transfuzję płytek, by wspomóc krzepnięcie. Standardowe badania laboratoryjne mogą dokładnie policzyć płytki, ale często trwają godzinę lub dłużej, opóźniając pilne decyzje. Przyłóżkowe urządzenia śledzące przebieg tworzenia się skrzepu w czasie rzeczywistym są znacznie szybsze, lecz nie pokazują bezpośrednio, ile płytek jest we krwi. To badanie sprawdza, czy modele komputerowe mogą przetłumaczyć te szybkie pomiary przy łóżku pacjenta na wiarygodne informacje o niebezpiecznie niskich poziomach płytek.

Szybki przegląd krzepnięcia w czasie rzeczywistym

Nowoczesne testy przyłóżkowe, takie jak rotacyjna tromboelastometria (ROTEM), obserwują, jak próbka krwi krzepnie od pierwszego początku tworzenia skrzepu aż do momentu, gdy skrzep jest jędrny, a następnie ulega rozkładowi. Testy te dostarczają krzywych i wartości liczbowych odzwierciedlających siłę i stabilność skrzepu, ale nie bezpośredniej liczby płytek. Wcześniejsze badania wykazały, że niektóre odczyty ROTEM są powiązane z poziomem płytek, lecz proste wzory oparte na pojedynczej wartości ROTEM nie przewidywały liczby płytek wystarczająco dobrze, by kierować leczeniem. Autorzy postawili pytanie, czy bardziej zaawansowane techniki komputerowe, uwzględniające wiele cech ROTEM jednocześnie, mogą być skuteczniejsze.

Tworzenie modeli komputerowych na podstawie danych szpitalnych

Zespół zgromadził 2 333 sparowane badania krwi z czterech szpitali uniwersyteckich, wszystkie pobrane od pacjentów chirurgicznych lub z oddziałów intensywnej terapii w latach 2014–2023. Dla każdego przypadku dysponowali pełnym zestawem pomiarów ROTEM oraz laboratoryjną liczbą płytek wykonaną w ciągu trzech godzin. Po starannym oczyszczeniu danych i uzupełnieniu brakujących wartości wprowadzili 29 zmiennych związanych z ROTEM do kilku metod uczenia maszynowego. Niektóre modele próbowały przewidzieć dokładne stężenie płytek, inne zajmowały się prostszymi pytaniami: czy liczba płytek jest poniżej 100 miliardów na litr albo poniżej 50 miliardów na litr, poziomów powszechnie stosowanych jako progi bezpieczeństwa w chirurgii i przy ciężkim krwawieniu.

Jak dobrze modele potrafiły liczyć płytki

Gdy proszono je o oszacowanie dokładnej liczby płytek, wszystkie modele uczenia maszynowego przewyższyły starsze jednowartościowe formuły oparte na pojedynczej wartości ROTEM. Najlepsze podejście — model zespołowy (stacked ensemble) łączący kilka metod — nadal wykazywało tylko umiarkowaną dokładność. Jego przewidywania różniły się od rzeczywistej liczby płytek średnio o około 40 miliardów płytek na litr, co autorzy uznali za zbyt niedokładne do podejmowania pewnych decyzji dotyczących dawkowania. Wykresy porównujące przewidywane i rzeczywiste wartości oraz statystyczne testy przesunięcia i rozrzutu potwierdziły, że modele często chybiały dla poszczególnych pacjentów, nawet gdy odzwierciedlały ogólne trendy.

Łatwiejsze rozpoznawanie niebezpiecznie niskich poziomów działa lepiej

Modele radziły sobie znacznie lepiej z prostszym, a klinicznie istotnym zadaniem: wykrywaniem pacjentów z wyraźnie niską liczbą płytek. Do wykrywania wartości poniżej 100 miliardów na litr modele lasu losowego i modele zespołowe osiągnęły wysokie wyniki dla standardowej miary jakości testu zwanej polem pod krzywą (AUC). Były szczególnie silne w wykluczaniu niskich płytek — przy wyniku „bezpiecznym” istniało bardzo duże prawdopodobieństwo, że pacjent rzeczywiście przekraczał próg. Wyniki były jeszcze lepsze przy wykrywaniu wartości poniżej 50 miliardów na litr, gdzie ponownie wyróżniał się model zespołowy. Rezultaty te utrzymywały się przy różnych sposobach oceny dokładności i były wyraźnie lepsze niż poleganie na pojedynczej wartości pochodzącej z ROTEM.

Co to może oznaczać przy łóżku pacjenta

Autorzy wnioskują, że obecne modele uczenia maszynowego nie są jeszcze wystarczająco dokładne, by zastąpić laboratoryjne oznaczenie liczby płytek, ponieważ ich szacunki dokładnej liczby są zbyt rozproszone dla pojedynczych pacjentów. Jednak te same modele bardzo dobrze odpowiadają na pytanie tak/nie, czy płytki spadły poniżej kluczowych progów bezpieczeństwa. W sytuacjach nagłego krwawienia takie szybkie przyłóżkowe wskazówki mogłyby pomóc lekarzom bezpiecznie opóźnić lub uniknąć transfuzji płytek do czasu uzyskania wyników z laboratorium, zmniejszając zarówno opóźnienia w opiece, jak i niepotrzebne narażenie na produkty krwiopochodne.

Cytowanie: Brooks, R., Noitz, M., Mahečić, T.T. et al. Machine learning based prediction of platelet concentration from ROTEM measurements. Sci Rep 16, 15854 (2026). https://doi.org/10.1038/s41598-026-45743-3

Słowa kluczowe: liczba płytek, małopłytkowość, ROTEM, uczenie maszynowe, transfuzja płytek