Het accuraat voorspellen van patiëntwaarden op intensive care-afdelingen (ICU) is van essentieel belang voor de kwaliteit van de zorgverlening. Waar wetenschappelijke publicaties in het verleden vaak focusten op één enkele, best presterende modelarchitectuur voor een volledige dataset, wijst recent onderzoek uit dat deze methode tekortschiet. Volgens een publicatie op arxiv.org blijkt er namelijk geen enkel model te bestaan dat voor elke variabele de optimale resultaten behaalt; de meest effectieve architectuur varieert per gemeten waarde.
Variabele-specifieke benadering
Onderzoekers Marius Fracarolli en Stefan Riezler hebben hun hypothese getoetst aan de hand van vijf verschillende ICU-databases: MIMIC-III, MIMIC-IV, eICU, HiRID en de database van de University Medicine Mannheim (UMM). In hun analyse voorspelden zij 94 verschillende kanalen over een periode van 24 uur, waarbij gebruik werd gemaakt van een pool van 14 diverse modellen.
Door deze modellen te combineren met gewichten die specifiek per variabele werden aangepast, konden de onderzoekers resultaten behalen die beter waren dan die van het beste enkelvoudige model. De verbetering in de mean squared error (MSE) varieerde tussen de 6,1% en 11,0%, met een gemiddelde winst van 8,7%. De grootste vooruitgang werd geboekt bij de meest schaarse gegevens; voor het dunst bezette derde van de kanalen was de verbetering 11,9%, terwijl laboratoriumwaarden een stijging van 7,5% lieten zien. Bij de meest dichtbevolkte gegevens was de winst beperkter en bedroeg deze 3,1%.
Alternatieve weging en robuustheid
Het onderzoek wees uit dat complexe gewichtsinstellingen niet altijd noodzakelijk zijn om de prestaties te verhogen. Een methode genaamd 'rank-based harmonic weighting', toegepast op de vijf beste modellen per variabele, kon ongeveer 80% van de totale winst realiseren zonder dat er specifieke gewichten gefit hoefden te worden. Deze resultaten zijn onderdeel van de Machine Learning for Health (ML4H) 2026 Findings Track in Sydney, zoals beschreven in de documentatie via mlr.press.
Om de robuustheid van de methode te testen, breidde het team de pool van modellen uit met ARIMA, ETS en een per-kanaal gradient-boosted tree. Hoewel de gradient-boosted tree hierdoor het best presterende enkelvoudige model werd over alle vijf de databases, bleef de per-variabele combinatie superieur. Deze aanpak verbeterde de resultaten nog steeds met 2,9% tot 5,9%, wat in vier van de vijf gevallen statistisch significant was. Een eenvoudige gelijke weging van de modellen leverde deze verbetering niet op.
Bredere context van data-analyse
Deze bevindingen sluiten aan bij een bredere trend van optimalisatie binnen de machine learning. Terwijl het ICU-onderzoek zich richt op klinische voorspellingen, wordt er in andere academische kringen gezocht naar efficiëntere modellen. Zo worden er bij de kuleuven.be alternatieven onderzocht voor standaard Recursive Least Squares (RLS) om de kosten te verlagen en de interpreteerbaarheid te vergroten. Binnen dezelfde instelling wordt daarnaast onderzoek gedaan naar temporele sensing voor risico-scoring bij dementie, waarbij eveneens de focus ligt op het nauwkeurig voorspellen van patiëntgedrag.
Hoewel andere digitale infrastructuren en rapportages, zoals die van het fgov.be, de algemene complexiteit van data-verwerking in de zorgsector onderstrepen, tonen de resultaten van Fracarolli en Riezler aan dat de keuze voor een model sterk afhankelijk is van de omvang van de database en de specifieke variabele die wordt geanalyseerd.