AI kan helpen om sepsis bij kinderen vroegtijdig te herkennen, nog vóórdat levensbedreigende orgaandisfunctie optreedt. Onderzoekers van het Ann & Robert H. Lurie Children’s Hospital of Chicago hebben AI-modellen ontwikkeld die tot 48 uur vooruit kunnen voorspellen welke kinderen risico lopen, zodat tijdige en gerichte zorg mogelijk wordt.
De modellen analyseren data uit de elektronische patiëntendossiers (EPD’s) van de eerste vier uur na opname op de spoedeisende hulp. Zo kan sepsis worden geïdentificeerd voordat de aandoening zich volledig ontwikkelt. De resultaten van het onderzoek, geleid door dr. Elizabeth Alpern, zijn gepubliceerd in JAMA Pediatrics en markeren een doorbraak in de toepassing van precisiegeneeskunde bij kinderzorg.
Geen overdiagnose
“Onze modellen tonen aan dat we kinderen met een verhoogd risico op sepsis betrouwbaar kunnen herkennen, zonder overdiagnose. Dat is cruciaal, want we willen voorkomen dat kinderen onnodig agressieve behandelingen krijgen”, aldus Alpern, hoogleraar kindergeneeskunde aan de Northwestern University Feinberg School of Medicine.
Het onderzoek werd uitgevoerd binnen vijf gezondheidsorganisaties, verenigd in het Pediatric Emergency Care Applied Research Network (PECARN), wat zorgde voor een groot en divers databestand. Kinderen die al bij aankomst tekenen van sepsis vertoonden, werden uitgesloten om het model specifiek te richten op vroegtijdige detectie.
Volgens Alpern is de volgende stap het combineren van AI-modellen met klinisch inzicht, zodat beslissingen nog beter worden afgestemd op de individuele patiënt. “Door AI en artsenoordeel te integreren, kunnen we sepsis sneller herkennen en levens redden.”
Sepsisrisico voorspellen
Vorig jaar ontwikkelden onderzoekers een AI-model dat het sterfterisico bij sepsispatiënten op de intensive care nauwkeuriger kan voorspellen dan bestaande methoden. Het model, gebaseerd op een Transformer-gebaseerd tijdreeksalgoritme, analyseert continu patiëntgegevens en genereert real-time waarschuwingen bij verhoogd risico. Hierdoor kunnen artsen sneller en gerichter ingrijpen om verslechtering te voorkomen.
Het onderzoek liet zien dat het AI-model beter presteert dan traditionele risicotools zoals APACHE-II en SOFA: de voorspellende nauwkeurigheid steeg van een AUC van 0,87 naar 0,92 in vijf dagen. Het systeem werd getraind op 200.000 patiëntendossiers en gebruikt vitale data zoals lactaatniveaus, ademhalingsfrequentie en stollingsfactoren.
Dankzij SHAP-visualisaties kunnen zorgprofessionals precies zien welke factoren bijdragen aan het risico, wat de transparantie en klinische toepasbaarheid van AI vergroot. Deze ontwikkeling markeert een belangrijke stap richting gepersonaliseerde en proactieve IC-zorg voor sepsispatiënten.
