AI kan mogelijk helpen om veranderingen in de glucosespiegel bij mensen met diabetes type 1 te voorspellen voordat deze daadwerkelijk optreden. Onderzoekers van de Kaunas University of Technology (KTU) in Litouwen ontwikkelden een AI-model dat glucoseschommelingen en het risico op hypoglykemie 30 en 60 minuten vooruit kan voorspellen. Daarbij combineert het systeem gegevens over glucosewaarden met informatie over insuline, koolhydraatinname en lichamelijke activiteit.
De onderzoekers zien de technologie vooral als mogelijke ondersteuning voor klinische besluitvorming. Voordat toepassing in de dagelijkse zorg mogelijk is, moet het model echter nog onder realistische klinische omstandigheden worden onderzocht.
Meer dan glucose alleen
In Europa leven ongeveer 66 miljoen volwassenen met diabetes. Naar verwachting stijgt dit aantal tot meer dan 72 miljoen in 2050. Voor mensen met diabetes type 1 is het belangrijk om de glucosespiegel binnen veilige grenzen te houden. Continue glucosemonitoring en een zorgvuldig afgestemde insulinetoediening helpen daarbij, maar onverwachte schommelingen blijven mogelijk.
Glucosewaarden worden namelijk niet alleen bepaald door voeding en insuline. Ook beweging, stress, hormonale veranderingen, slaap, het dag-nachtritme en individuele verschillen in de stofwisseling kunnen invloed hebben. Continue glucosemeters registreren iedere paar minuten een waarde en produceren daardoor grote hoeveelheden data. De KTU-onderzoekers onderzochten of AI in deze gegevens patronen kan ontdekken waarmee toekomstige veranderingen beter zijn te voorspellen.
Daarvoor ontwikkelden zij een raamwerk waarin verschillende AI-methoden worden gecombineerd. In tegenstelling tot conventionele voorspellingsmodellen, die gegevens voornamelijk als een chronologische reeks verwerken, representeert het nieuwe model ieder tijdstip als een knooppunt in een netwerk. Vervolgens worden verbindingen gelegd met vergelijkbare situaties uit het verleden. Daardoor kan het algoritme volgens de onderzoekers niet alleen opeenvolgende gebeurtenissen analyseren, maar ook relaties tussen verschillende fysiologische toestanden herkennen.
AI selecteert relevante signalen
Een belangrijk onderdeel is een zogenoemd attention-mechanisme. Daarmee bepaalt het model welke eerdere meetmomenten en kenmerken het relevantst zijn voor een specifieke voorspelling. Volgens KTU-hoogleraar Rytis Maskeliūnas lijkt dit principe op de manier waarop een ervaren arts informatie beoordeelt. Niet alle beschikbare gegevens krijgen hetzelfde gewicht; vooral de factoren die in een bepaalde situatie relevant zijn, worden meegenomen.
Die aanpak moet tegelijkertijd bijdragen aan de uitlegbaarheid van het model. Bij medische AI is niet alleen de nauwkeurigheid belangrijk. Zorgprofessionals moeten ook kunnen begrijpen welke gegevens een voorspelling hebben beïnvloed. Het KTU-model kan daarom inzicht geven in de kenmerken en eerdere tijdstippen die het zwaarst hebben meegewogen.
Het model werd getest met internationale datasets van mensen met diabetes type 1. Volgens de onderzoekers behaalde het een hoge nauwkeurigheid bij zowel het voorspellen van glucosewaarden als het inschatten van het hypoglykemierisico. De prestaties verbeterden bovendien wanneer het algoritme beide taken tegelijkertijd leerde uitvoeren. Ook bij patiënten van wie het model niet eerder gegevens had gezien, bleven de prestaties volgens de onderzoekers goed.
Geen behandeladvies
Naast het voorspellen van glucoseschommelingen onderzochten de wetenschappers retrospectief of AI gepersonaliseerde aanpassingen van de insulinetoediening kan evalueren. Deze toepassing is nadrukkelijk niet bedoeld om patiënten zelfstandig hun behandeling te laten aanpassen. De onderzoekers beschouwen het als een mogelijke vorm van beslisondersteuning voor klinische analyse.
Ondanks de behaalde resultaten is het model nog niet klaar voor dagelijks gebruik. Tot nu toe is het uitsluitend geëvalueerd met historische patiëntgegevens. Klinische studies moeten aantonen of de voorspellingen ook onder werkelijke zorgomstandigheden voldoende betrouwbaar blijven. Daarnaast spelen praktische en organisatorische vraagstukken rond gegevensbeveiliging, patiëntprivacy en integratie in bestaande werkprocessen. Volgens de onderzoekers moet AI artsen daarbij niet vervangen, maar helpen om de grote hoeveelheden patiëntgegevens beter te benutten.
Wanneer toekomstige klinische onderzoeken de resultaten bevestigen, kunnen uitlegbare AI-modellen uiteindelijk bijdragen aan meer gepersonaliseerde ondersteuning bij diabetes. Het vermogen om risicovolle glucoseschommelingen vooraf te signaleren kan daarbij een belangrijke basis vormen voor nieuwe klinische beslisondersteuning.
24-uurs voorspelling
Eerder dit jaar ontwikkelden Amerikaanse onderzoekers al een vergelijkbaar AI-model dat in staat wordt geacht om tot 24 uur vooruit te voorspellen welke ziekenhuispatiënten risico lopen op hypoglykemie. Het LSTM-model analyseert routinematig verzamelde gegevens uit het elektronisch patiëntendossier, waaronder medicatie, laboratoriumuitslagen en maaltijden. Ook maakt het inzichtelijk welke factoren het risico beïnvloeden.
Voor ontwikkeling en validatie van dat Amerikaanse model werden gegevens gebruikt van ruim 143.000 ziekenhuisopnames tussen 2014 en 2025 in drie Cedars-Sinai-ziekenhuizen. Het systeem werd vervolgens prospectief getest met actuele ziekenhuisgegevens. Door risicopatiënten eerder te herkennen, kunnen zorgverleners bijvoorbeeld medicatie of voeding aanpassen en extra controles uitvoeren. Volgens de onderzoekers kan een groot ziekenhuis daarmee dagelijks drie tot vier gevallen van hypoglykemie voorkomen. Omdat bestaande patiëntgegevens worden gebruikt, zou het model relatief eenvoudig in klinische werkprocessen kunnen worden geïntegreerd.
Referenties
Journal of the American Medical Informatics Association (onderzoek)
Voeg ICT&health toe aan Google
Toon meer content van ICT&health in Google Zoeken.
