Verpleegkundigen in ziekenhuizen werken onder hoge druk, zoveel is inmiddels wel duidelijk. Tijdens diensten van acht tot twaalf uur monitoren zij meerdere patiënten tegelijk. Van het meten van vitale functies tot het toedienen van medicatie en het begeleiden van familieleden. In die dynamiek gebeurt het regelmatig dat een patiënt ‘niet helemaal goed aanvoelt’. Misschien oogt iemand bleker, vermoeider of minder alert dan normaal.
Toch is het lastig om op basis van zo’n onderbuikgevoel direct actie te ondernemen. Wanneer objectieve parameters zoals bloeddruk of hartslag geen afwijkingen tonen, ontbreekt vaak de concrete aanleiding om een arts te waarschuwen. Het gevolg: een vaag gevoel van ongerustheid dat soms pas achteraf wordt bevestigd, wanneer een patiënt onverwacht verslechtert en bijvoorbeeld op de intensive care belandt.
Volgens Kelly Gleason, verbonden aan de Johns Hopkins School of Nursing, is dit een herkenbaar dilemma. Verpleegkundigen beschikken over waardevolle intuïtie, opgebouwd uit ervaring en observatie, maar die is moeilijk te kwantificeren en te communiceren.
Datagedreven inzicht voor ‘onderbuikgevoel’
Om dit probleem te adresseren, kijken onderzoekers naar de rol van AI binnen zogeheten Early Warning Systems (EWS). Deze systemen worden al gebruikt in ziekenhuizen om patiënten te monitoren en risico’s op verslechtering vroegtijdig te signaleren.
Traditioneel baseren deze systemen hun risicoscores op vitale parameters die gedurende de opname worden verzameld. Dankzij machine learning worden tegenwoordig ook gegevens uit het elektronisch patiëntendossier meegenomen, zoals medische voorgeschiedenis en laboratoriumuitslagen. Het systeem vergelijkt deze informatie met duizenden eerdere patiëntprofielen en voorspelt zo de kans op achteruitgang.
AI biedt daarbij een belangrijk voordeel. Het is immers in staat om continu grote hoeveelheden data analyseren zonder vermoeid te raken of afgeleid te worden. Waar zorgverleners meerdere taken tegelijk uitvoeren, kan AI zich volledig richten op patroonherkenning in patiëntdata.
Verpleegkundige intuïtie
Toch schuilt er een beperking in deze systemen: ze houden nauwelijks rekening met het klinisch oordeel van verpleegkundigen. En juist daar ligt een belangrijke bron van informatie.
Onderzoekers van onder meer Columbia University en Johns Hopkins werken daarom aan methoden om verpleegkundige intuïtie te integreren in AI-modellen. Hoewel een ‘gevoel’ lastig direct te meten is, uit het zich vaak in concrete handelingen. Denk aan het vaker controleren van vitale functies, extra metingen tijdens de nacht, het toedienen van medicatie of het informeren van een arts.
Door deze gedragingen als datapunten toe te voegen aan algoritmen, ontstaat een completer beeld van de toestand van een patiënt. “De menselijke component gaat verder dan cijfers en labwaarden,” stelt Gleason. “Soms signaleert een verpleegkundige al iets voordat objectieve metingen dat doen.”
Voorspellende kracht
Onderzoek van Gleason, in 2024 gepubliceerd in het International Journal of Nursing Studies, benadrukt deze hypothese. In een studie naar COVID-19-patiënten analyseerden onderzoekers medische dossiers en communicatie tussen verpleegkundigen en artsen.
De focus lag op zogenoemde ‘occult hypoxemia’: een situatie waarbij een standaard saturatiemeter normale waarden aangeeft, terwijl een nauwkeurigere bloedgasanalyse een zuurstoftekort aantoont. Dit fenomeen komt vaker voor bij patiënten met een donkere huidskleur, wat de betrouwbaarheid van bepaalde meetinstrumenten ter discussie stelt.
De resultaten waren opvallend. Verpleegkundigen bleken 46 procent vaker hun zorgen te uiten in de uren voorafgaand aan een bevestigde diagnose van occult hypoxemie, vergeleken met situaties waarin patiënten daadwerkelijk stabiel waren. Dit gold zelfs wanneer rekening werd gehouden met andere vitale parameters. Met andere woorden: verpleegkundigen pikten subtiele signalen op die nog niet zichtbaar waren in de beschikbare meetdata.
Hybride besluitvorming
De volgende stap in dit onderzoek is het expliciet vastleggen van ‘zorgsignalen’. Daarbij wordt gedacht aan het laten scoren van bezorgdheid door verpleegkundigen, patiënten en familieleden, bijvoorbeeld op een schaal van één tot tien. Ook de perceptie van naasten kan waardevolle informatie bevatten, omdat zij veranderingen in gedrag of conditie vaak vroeg signaleren.
Door deze subjectieve data te combineren met bestaande klinische gegevens, hopen onderzoekers de voorspellende kracht van Early Warning Systems verder te verbeteren. Het uiteindelijke doel is om patiënten die risico lopen op verslechtering nog eerder te identificeren, zodat tijdig kan worden ingegrepen.
Deze ontwikkeling past in de trend op weg naar hybride besluitvorming in de zorg, waarin technologie en menselijk inzicht elkaar versterken. AI fungeert daarbij niet als vervanging van de verpleegkundige, maar als verlengstuk van diens klinisch oordeel.
Als deze aanpak succesvol blijkt, kan dit niet alleen leiden tot betere uitkomsten, maar ook tot een herwaardering van het verpleegkundig vak: van uitvoerder van metingen naar essentiële bron van voorspellende kennis binnen datagedreven zorg.
