Onderzoekers van Cedars-Sinai Health Sciences University hebben een AI-model ontwikkeld dat ziekenhuispatiënten met een verhoogd risico op een hypoglykemie tot 24 uur voordat deze optreedt kan voorspellen. Het model, gebaseerd op een zogeheten long short-term memory (LSTM)-netwerk, moet zorgverleners in staat stellen eerder in te grijpen en ernstige complicaties te voorkomen.
Een hypoglykemie, oftewel een te lage bloedsuikerspiegel, is een veelvoorkomende complicatie bij opgenomen patiënten. Vooral mensen die worden behandeld voor diabetes, patiënten die moeten vasten voorafgaand aan een ingreep en patiënten op de intensive care lopen een verhoogd risico. Ernstige hypoglykemieën kunnen leiden tot epileptische aanvallen, coma en langdurige hartritmestoornissen. Toch bestaan er momenteel nauwelijks breed toepasbare instrumenten om vooraf te voorspellen welke patiënten een hypoglykemie zullen ontwikkelen. Volgens de onderzoekers wordt hypoglykemie in ziekenhuizen nog grotendeels reactief behandeld: pas nadat de bloedsuiker al is gedaald, wordt ingegrepen.
AI analyseert patiëntgegevens
Het nieuwe AI-model maakt gebruik van gegevens die al beschikbaar zijn in het elektronisch patiëntendossier. Daarbij analyseert het patronen in onder meer medicatiegebruik, laboratoriumuitslagen, maaltijden en andere klinische gegevens. De informatie wordt verzameld in intervallen van vier uur over een periode van vijf dagen. Op basis daarvan voorspelt het model of een patiënt binnen de daaropvolgende 24 uur een hypoglykemie zal ontwikkelen. Daarnaast geeft het systeem inzicht in de belangrijkste factoren die bijdragen aan het verhoogde risico, zodat zorgteams gerichte maatregelen kunnen nemen.
Voor de ontwikkeling en validatie van het model gebruikten de onderzoekers gegevens van ruim 143.000 ziekenhuisopnames van volwassen patiënten in drie ziekenhuizen van het Cedars-Sinai Health System tussen 2014 en 2025. Vervolgens werd het systeem prospectief getest met actuele ziekenhuisgegevens om de prestaties onder praktijkomstandigheden te bevestigen.
Minder complicaties
Volgens de onderzoekers kan het AI-model bijdragen aan een verschuiving van reactieve naar voorspellende zorg. Door patiënten eerder te identificeren die risico lopen op een hypoglykemie, kunnen behandelaars medicatie aanpassen, voedingsschema's wijzigen of extra controles uitvoeren voordat problemen ontstaan. Het onderzoek schat dat een groot ziekenhuis met behulp van het model dagelijks drie tot vier gevallen van hypoglykemie zou kunnen voorkomen. Wanneer de technologie op grotere schaal wordt toegepast, kan de impact wereldwijd aanzienlijk zijn.
Een belangrijk voordeel is dat het model gebruikmaakt van gegevens die ziekenhuizen al routinematig verzamelen. Daardoor hoeft geen nieuwe infrastructuur te worden ingericht en kan integratie in bestaande klinische werkprocessen relatief eenvoudig verlopen. De onderzoekers benadrukken dat het AI-model niet alleen in theorie goed presteert, maar ook is ontwikkeld en gevalideerd voor real-time toepassing in de dagelijkse praktijk. Daarmee vormt het volgens hen een belangrijke stap richting meer datagedreven ziekenhuiszorg.
Als vervolgonderzoek de resultaten bevestigt en de technologie breed wordt ingevoerd, kan het systeem bijdragen aan veiligere zorg voor patiënten met diabetes en andere aandoeningen waarbij schommelingen in de bloedsuikerspiegel een belangrijke rol spelen. Door complicaties eerder te voorkomen in plaats van achteraf te behandelen, kan kunstmatige intelligentie een waardevolle aanvulling worden op de klinische besluitvorming in het ziekenhuis.
AI en diabeteszorg
Vorig jaar bleek uit een meta-review van de Universiteit van Buffalo al dat AI-gestuurde wearables de zorg voor mensen met diabetes type 2 en prediabetes ingrijpend kunnen veranderen. Voor die review werden 60 hoogwaardige onderzoeken naar onder meer continue glucosemonitors (CGM's), activiteitstrackers en multimodale biosensoren geanalyseerd. AI maakt het mogelijk om glucosewaarden continu te monitoren, trends te herkennen en veranderingen 60 tot 120 minuten vooraf te voorspellen. Daarnaast kunnen de systemen gepersonaliseerde leefstijladviezen geven en zorgverleners ondersteunen door grote hoeveelheden data te filteren.
Tegelijkertijd signaleerden de onderzoekers belangrijke knelpunten, zoals het gebrek aan transparantie van veel AI-modellen, beperkte diversiteit in datasets en technische verschillen tussen algoritmen. Volgens de onderzoekers moeten ook de kosten, beschikbaarheid en integratie in klinische workflows verbeteren voordat AI-wearables breed kunnen worden ingezet. Desondanks bieden ze veel potentieel voor preventieve, gepersonaliseerde diabeteszorg.
