Maskininlärningsbaserad förutsägelse av trombocytkoncentration från ROTEM-mätningar

Varför snabba kontroller av blodplättar är viktiga

När en person blöder under operation eller på en intensivvårdsavdelning måste läkare snabbt avgöra om trombocyttransfusioner behövs för att hjälpa blodet att koagulera. Standardlaboratorietester kan räkna trombocyter exakt, men tar ofta en timme eller mer, vilket fördröjer akuta beslut. Sängsidenheter som följer hur en koagel bildas i realtid är mycket snabbare, men visar inte direkt hur många trombocyter som finns i blodet. Denna studie undersöker om datorbaserade modeller kan översätta dessa snabba sängsidmätningar till pålitlig information om farligt låga trombocytnivåer.

En snabb titt på koagulation i realtid

Moderna punkt-till-vård-tester såsom rotations-tromboelastometri, eller ROTEM, övervakar hur ett blodprov koagulerar från första antydan till koagulation tills koaglet är fast och senare bryts ner. Dessa tester ger kurvor och siffror som speglar hur starkt och stabilt koaglet blir, men inte det faktiska antalet trombocyter. Tidigare forskning visade att vissa ROTEM-avläsningar är relaterade till trombocytnivåer, men enkla formler som använder ett enda ROTEM-värde förutspådde inte trombocytantal tillräckligt väl för att styra behandling. Författarna frågade om mer avancerade datortekniker som beaktar många ROTEM-egenskaper samtidigt skulle kunna göra bättre ifrån sig.

Att bygga datorbaserade modeller från sjukhusdata

Teamet samlade 2 333 parvisa blodprov från fyra universitetssjukhus, alla tagna från kirurgiska eller intensivvårdspatienter mellan 2014 och 2023. För varje fall hade de ett fullständigt set med ROTEM-mätningar och ett laboratorietrombocytantal taget inom tre timmar. Efter noggrann datarensning och imputering av saknade värden matade de in 29 ROTEM-relaterade variabler i flera maskininlärningsmetoder. Vissa modeller försökte förutsäga den exakta trombocytkoncentrationen, medan andra tog sig an enklare frågor: ligger trombocytantalet under 100 miljarder per liter, eller under 50 miljarder per liter — nivåer som ofta används som säkerhetströsklar vid kirurgi och kritiska blödningar.

Hur väl modellerna kunde räkna trombocyter

När modellerna ombads uppskatta det exakta trombocytantalet överträffade alla maskininlärningsmodeller äldre enradiga formler som förlitade sig på ett enda ROTEM-baserat värde. Den bästa ansatsen, en staplad ensemblemodell som kombinerar flera metoder, visade dock bara måttlig noggrannhet. Dess förutsägelser skiljde sig från det verkliga trombocytantalet med i genomsnitt ungefär 40 miljarder trombocyter per liter, vilket författarna bedömer som för oprecist för säkra doseringsbeslut. Grafer som jämförde förutsagda och verkliga värden, liksom statistiska kontroller av bias och spridning, bekräftade att modellerna ofta missade för enskilda patienter även när de fångade bredare trender.

Att upptäcka farligt låga nivåer fungerar bättre

Modellerna presterade mycket bättre i en enklare och kliniskt avgörande uppgift: att flagga patienter med tydligt låga trombocytvärden. För att upptäcka nivåer under 100 miljarder per liter nådde random forest- och ensemblemodeller höga värden för en standardmått på testkvalitet kallad area under kurvan. De var särskilt starka på att utesluta låga trombocyter, med mycket hög sannolikhet att ett ”säkert” resultat verkligen innebar att patienten låg över tröskeln. Prestandan var ännu bättre för att upptäcka nivåer under 50 miljarder per liter, där ensemblemodellen återigen utmärkte sig. Dessa resultat höll i sig över olika sätt att bedöma noggrannhet och var klart överlägsna att förlita sig på det enda ROTEM-deriverade värdet ensam.

Vad detta kan innebära vid sängkanten

Författarna drar slutsatsen att dagens maskininlärningsmodeller ännu inte är tillräckligt exakta för att ersätta ett laboratorietrombocytantal, eftersom deras uppskattningar av det exakta antalet varierar för mycket för enskilda patienter. Däremot är samma modeller mycket bra på att svara ja eller nej på om trombocyter har sjunkit under viktiga säkerhetsgränser. I akuta blödningssituationer skulle sådan snabb sängsidevägledning kunna hjälpa läkare att säkert vänta med eller undvika trombocyttransfusioner medan de inväntar labbresultat, vilket minskar både förseningar i vården och onödig exponering för blodprodukter.

Citering: 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

Nyckelord: trombocytantal, trombocytopeni, ROTEM, maskininlärning, trombocyttransfusion