Artikel
Reduktion von Verfall und Mangel von Thrombozytenhochkonzentraten durch Inventarsimulationen basierend auf Bedarfsprognosen mittels statistischer Methoden und neuronalen Netzen
Suche in Medline nach
Autoren
Veröffentlicht: | 24. September 2021 |
---|
Gliederung
Text
Einleitung: Thrombozytenhochkonzentrate sind ein wertvolles, verderbliches Blutprodukt [1] . Sie werden prophylaktisch eingesetzt, um das Blutungsrisiko zu verringern, oder therapeutisch, um aktive Blutungen zu behandeln. Meist bei hämatologischen und onkologischen Patienten, gefolgt von Patienten mit großen chirurgischen Eingriffen [1], [2], [3], [4], [5]. Ihre kurze Haltbarkeit und eine hohe Variation des täglichen Bedarfs machen die Verwaltung des Thrombozytenbestands zu einer anspruchsvollen Aufgabe [6]. Die Vorhersage des täglichen Bedarfs ist eine vielversprechende Methode, um Verfall und Engpässe zu vermeiden und eine optimale Versorgung zu gewährleisten [6]. Das Ziel dieser Studie ist die Vorhersage des täglichen Thrombozytenbedarfs an der Uniklinik RWTH Aachen unter Verwendung eines statistischen Modells und eines neuronalen Netzwerks. Zusätzlich sollen mögliche Reduktionen von Verfall und Mangel an Thrombozytenhochkonzentraten in retrospektiven Simulationen des Thrombozyteninventars unter Verwendung der Vorhersagen berechnet werden.
Methoden: Vorhersagen des täglichen Thrombozytenbedarfs werden durch ein LASSO-Modell (Least Absolute Shrinkage and Selection Operator) bzw. durch ein rekurrentes neuronales Netzwerk (RNN) mit Long-Short Term Memory Layer (LSTM) erstellt. Beide Modelle verwenden die gleichen 81 klinischen Prädiktoren (z.B. Anzahl der Throbozytentransfusionen in der letzten Woche, Wochentag, Anzahl der stationären onkologischen Patienten, geplante Operationen). Die Vorhersagen werden an eine Simulation des Blutinventars übergeben, um mögliche Reduktionen von Verfall und Mangel im Vergleich zu historischen Inventardaten zu berechnen.
Ergebnisse: Vom 01.01.2008 bis zum 31.12.2018 betrugen die durchschnittlichen Verfalls- und Mangelraten für Thrombozyten 10,1 % bzw. 6,5 %. In Simulationen des Thrombozytenbestands konnte der Verfall mit Hilfe der Vorhersagen des LASSO-Models auf 4,9 % und mit denen des RNN auf 5,0 % gesenkt werden, während die Engpässe mit dem LASSO und RNN bei 2,1 % bzw. 1,7 % lagen. Die täglichen Vorhersagen des Thrombozytenbedarfs für die nächsten 2 und 4 Tage hatten durchschnittliche prozentuale Fehler von 25,5 % und 18,1 % mit dem LASSO und 26,3 % und 19,2 % mit dem RNN. Wichtige Prädiktoren im LASSO sind unter anderem der Wochentag, die Menge der Transfusionen der vergangenen 7 Tage und die Zahl der stationären Patienten in Hämatologie und Onkologie.
Diskussion: Sowohl ein statistisches Model als auch neuronale Netze ermöglichen eine Vorhersage des Thrombozytenbedarfs an der Uniklinik RWTH Aachen mit hoher Genauigkeit. Dieses Ergebnis bestätigt vorangehende Studien und untermauert die Übertragbarkeit dieser Methoden auf weitere Kliniken [7], [8]. Als besonders wichtiges Ergebnis zeigen die Simulationen des Thrombozyteninventars, dass die Vorhersagen genutzt werden können, um Verfall und Engpässe deutlich zu reduzieren. Das LASSO und das RNN zeigen vergleichbare Ergebnisse. Jedoch sind wir der Meinung, dass RNNs im Vergleich zum LASSO mehr Potential für Verbesserungen der Vorhersagen aufweisen, das in dieser Studie noch nicht voll ausgenutzt wurde [9]. Hier ist besonders die Verarbeitung heterogener Daten wie z.B. Diagnosen und Krankengeschichten zu nennen. Demgegenüber steht die einfachere Interprätierbarkeit statistischer Methoden [9], [10].
Wir planen langfristig ein solches Vorhersagesystem zur Unterstützung unseres Inventarmanagements zu etablieren. In zukünftigen Arbeiten könnte die Anwendung der hier vorgestellten Methoden auf andere Kliniken und andere verderbliche/knappe Güter untersucht werden. Weiter könnte das Simulationsmodell des Thrombozyteninventars genutzt werden, um Kosten von Umstrukturierungen im Inventarmanagement gegen mögliche Reduktionen von Verfall und Mangel an Thrombozytenhochkonzentraten abzuwäen.
Schlussfolgerungen: Beide Modelle ermöglichen Vorhersagen des Thrombozytenbedarfs mit ähnlicher und ausreichender Genauigkeit, um Verfall und Mangel in einer retrospektiven Simulationsstudie signifikant zu reduzieren. Die daraus resultierenden möglichen Verbesserungen im Bestandsmanagement entsprechen etwa einer Ersparnis von 250.000 Euro pro Jahr.
Die Autoren geben an, dass kein Interessenkonflikt besteht.
Die Autoren geben an, dass ein positives Ethikvotum vorliegt.
Literatur
- 1.
- Kaufman RM, Djulbegovic B, Gernsheimer T, Kleinman S, Tinmouth AT, Capocelli KE, et al. Platelet transfusion: A clinical practice guideline from the AABB. Ann Intern Med. 2015;162:205-13. DOI: 10.7326/M14-1589
- 2.
- McCullough J. Overview of platelet transfusion. Semin Hematol. 2010;47:235-42. DOI: 10.1053/j.seminhematol.2010.04.001
- 3.
- Estcourt LJ. Why has demand for platelet components increased? A review. Transfus Med. 2014;24:260-8. DOI: 10.1111/tme.12155
- 4.
- Fedele PL, Polizzotto MN, Grigoriadis G, Waters N, Comande M, Borosak M, et al. Profiling clinical platelet and plasma use to inform blood supply and contingency planning: PUPPY, the prospective utilization of platelets and plasma study. Transfusion. 2016;56:2455-65. DOI: 10.1111/trf.13778
- 5.
- Wandt H, Schäfer-Eckart K, Greinacher A. Platelet transfusion in hematology, oncology and surgery. Dtsch Arztebl Int. 2014;111:809-15. DOI: 10.3238/arztebl.2014.0809
- 6.
- Flint AW, McQuilten ZK, Irwin G, Rushford K, Haysom HE, Wood EM. Is Platelet Expiring Out of Date? A Systematic Review. Transfus Med Rev. 2019. DOI: 10.1016/j.tmrv.2019.08.006
- 7.
- Guan L, Tian X, Gombar S, Zemek AJ, Krishnan G, Scott R, et al. Big data modeling to predict platelet usage and minimize wastage in a tertiary care system. Proc Natl Acad Sci U S A. 2017;114:11368-73. DOI: 10.1073/pnas.1714097114
- 8.
- Motamedi M, Li N, Down DG, Heddle NM. Demand Forecasting for Platelet Usage: From Univariate Time Series to Multivariate Models.
- 9.
- Miotto R, Wang F, Wang S, Jiang X, Dudley JT. Deep learning for healthcare: Review, opportunities and challenges. Brief Bioinform. 2018;19:1236-46. DOI: 10.1093/bib/bbx044
- 10.
- Baldi P. Deep Learning in Biomedical Data Science. Annu. Rev. Biomed. Data Sci. 2018;1:181-205. DOI: 10.1146/annurev-biodatasci-080917-013343