Het inzetten van kunstmatige intelligentie voor de ontwikkeling van voorspellingsmodellen is, binnen de gezondheidszorg, niet nieuw. Dat geldt ook voor orthopedie. Het nu ontwikkelde op machine learning gebaseerd AI-voorspellingsmodel, specifiek voor de oudere patiënt met een gebroken heup, is wel een primeur. Deze ontwikkeling kan in de toekomst bijdragen aan het proces om voor patiënten met een gebroken heup het beste en meest veilige zorgpad te kiezen.
Risico's heupfractuur bij ouderen
Het belang hiervan wordt door statistieken ondersteund. Een gebroken heup is, zeker bij oudere patiënten, een van de meest voorkomende breuken. Het is een ingrijpende gebeurtenis die grote gevolgen heeft voor deze patiëntgroep. In Nederland wordt 1 op de 5 ongevalspatiënten opgenomen vanwege een gebroken heup. De gemiddelde leeftijd van die patiënten is 79 jaar.
Bijna een derde van hen loopt in de eerste 30 dagen na de operatie kans op een post-operatief delier. Dat kan leiden tot een verlaagde cognitieve functie, verlies van zelfredzaamheid, verlengde opnameduur, verlaagde kwaliteit van leven. Daarnaast is de kans op overlijden na een gebroken heup ook nog hoog. Ruim een derde (35%) van de patiënten boven de 65 jaar overlijdt binnen 1 jaar.
Veelbelovend AI-voorspellingsmodel
Het ontwikkelde AI-voorspellingsmodel heeft een veelbelovende meerwaarde voor het preoperatief inschatten van mortaliteit (overlijden) en het ontwikkelen van een postoperatief delier bij oudere, doorgaans kwetsbaardere, patiënten. Het voorspellingsmodel biedt ondersteuning voor het bepalen van een persoonsgericht behandeladvies. Dat advies wordt samengesteld op basis van persoons- en aandoening specifieke factoren. Het AI-voorspellingsmodel draagt bovendien ertoe bij dat artsen, de patiënt en hun naasten goed geïnformeerd worden en samen tot een goed besluit kunnen komen. Samen beslissen, of gedeelde besluitvorming.
Voordat het AI-voorspellingsmodel breed ingezet kan gaan worden is echter verder onderzoek en evaluatie nodig. Onder andere om de ontwikkelde modellen te generaliseren. "Indien het model extern valide is, en daarmee gegeneraliseerd kan worden, kan het model geïntegreerd worden om de gedeelde besluitvorming te ondersteunen. Het prospectief volgen van de geïmplementeerde modellen zal ervoor zorgen dat het model slimmer en nauwkeurig wordt, doordat deze in staat is zich zelf te trainen", aldus het onderzoek.
