Onderzoekers van de Universiteit van Warwick hebben een AI-tool ontwikkeld om artsen te ondersteunen bij de complexe beslissing of een patiënt met acuut ademhalingsfalen geïntubeerd moet worden. De tool, gebaseerd op standaard klinische gegevens zoals ademhalingsfrequentie en zuurstofwaarden, voorspelt binnen twee uur na het starten van non-invasieve beademing (NIV) met hoger dan gemiddelde nauwkeurigheid of deze behandeling zal falen.
Hoewel NIV vaak het eerste behandelpad is, faalt deze methode bij ongeveer vier op de tien (40%) van de patiënten. Bovendien leidt het soms tot ernstige complicaties. Beslissen om over te stappen op invasieve mechanische beademing vereist snel inzicht, terwijl artsen vaak opereren onder tijdsdruk met slechts beperkte data. Volgens prof. Declan Bates, hoofdonderzoeker en hoogleraar Technische Wetenschappen, biedt de nieuwe AI-tool uitkomst door data-gedreven inzichten te leveren die anders onopgemerkt blijven.
Pilot studie
TabPFN is speciaal ontworpen voor tabulaire patiëntdata en gebruikt ‘in-context learning’ om zonder uitgebreide trainingsdata direct voorspellingen te doen. In een pilotstudie, uitgevoerd bij University Hospitals North Midlands NHS Trust, wordt het model via een app getest. Artsen voeren routinematige NIV-metingen in en ontvangen realtime feedback over de slagingskans van de behandeling. Die voorspellingen worden later vergeleken met daadwerkelijke patiëntuitkomsten, om de betrouwbaarheid verder te bevestigen.
“De nauwkeurigheid van de AI-tool is indrukwekkend. We zien duidelijk hoe een vroegtijdige voorspelling helpt bij het verbeteren van behandelbeslissingen en patiëntervaringen. Als dit op grote schaal uitgerold kan worden binnen de NHS, wordt het een waardevol innovatie-instrument”, aldus Tim Scott, anesthesioloog bij het ziekenhuis.
Ondersteuning, geen vervanging
TabPFN is, zoals alle AI-tools en -toepassingen, niet bedoeld is als vervanging van artsen, maar als ondersteuning bij complexe beslissingen. Volgens Bates helpt het model artsen door objectief te analyseren bij welke patiënt binnen twee uur NIV waarschijnlijk zal falen, en daarmee tijdig te anticiperen. Het besluit ligt uiteindelijk bij de arts of zorgprofessional.
“Voor acute medische noodsituatues, zoals ademhalingsfalen, gelden hoge sterftecijfers en resource-intensieve zorg. AI kan helpen deze patiënten effectiever te behandelen en de zorguitkomsten te verbeteren”, zegt professor Gavin Perkins, decaan van de Warwick Medical School.
Begin dit jaar schreven we over een nieuwe Explainable AI-tool die de opnameduur van IC-patiënten voorspelt en tegelijkertijd transparant uitleg geeft over welke factoren de voorspelling beïnvloeden. Het model, ontwikkeld door prof. Indranil Bardhan, analyseert 47 patiëntkenmerken bij opname en zet deze om in duidelijke grafieken die de kans op ontslag binnen zeven dagen en de belangrijkste beïnvloedende factoren visualiseren. Bij een studie met zes IC-artsen bleken vier artsen de uitleg van het model waardevol te vinden voor bedbeheer en personeelsplanning. Het systeem biedt vergelijkbare nauwkeurigheid als bestaande modellen, maar met meer inzicht.
