Onderzoekers van het LUMC en het Leiden Institute of Advanced Computer Science (LIACS, Universiteit Leiden) hebben een AI-model ontwikkeld dat IC-artsen kan ondersteunen bij het besluit wanneer een patiënt veilig naar een verpleegafdeling kan. Het model voorspelt het risico dat een patiënt opnieuw op de intensive care moet worden opgenomen én maakt inzichtelijk op welke patiëntkenmerken die inschatting is gebaseerd. Goede samenwerking tussen informatici en zorgprofessionals bleek daarbij minstens zo belangrijk als de techniek.
Het bepalen van het juiste moment voor ontslag van de IC is een complexe afweging, aldus de betrokken onderzoekers. Te vroeg ontslag vergroot het risico op heropname, die samenhangt met complicaties en een hoger sterfterisico. Een onnodig lang verblijf op de IC brengt eveneens risico's met zich mee, zoals ziekenhuisinfecties. Bovendien is IC-capaciteit schaars.
Bestaande voorspelmodellen bieden volgens de onderzoekers niet altijd de gewenste ondersteuning. Sommige kunnen patiënten nauwkeurig als hoog risico classificeren, maar maken onvoldoende duidelijk waarom. Andere modellen geven wel een verklaring, maar die sluit volgens artsen niet altijd aan bij de klinische praktijk.
Vijf risicogroepen
De Leidse onderzoekers ontwikkelden daarom een model dat nauwkeurige voorspellingen moet combineren met een zo klein mogelijke en begrijpelijke set criteria. Daarvoor is het algoritme getraind met tien jaar aan gegevens van IC-patiënten. Het verdeelt patiënten in vijf groepen met ieder een eigen risicoprofiel.
Een van die profielen betreft patiënten bij wie het aantal witte bloedcellen in de laatste 24 uur voor ontslag sterk stijgt. Dit kan wijzen op een beginnende infectie. Patiënten met dit profiel bleken meer dan drie keer zo vaak opnieuw op de IC te worden opgenomen als gemiddeld.
Voor een arts kan zo'n signaal aanleiding zijn om aanvullend onderzoek te doen of een patiënt langer op de IC te behandelen, vertelt technisch geneeskundige Siri van der Meijden van het LUMC. "Zo kan een beginnende infectie eerder worden opgemerkt en behandeld in plaats van dat de patiënt verslechtert na ontslag van de IC."
Het model is overigens nog niet in de klinische praktijk in gebruik. De studie laat volgens de onderzoekers vooral zien dat het mogelijk is om AI-risicovoorspellingen te ontwikkelen waarvan artsen snel kunnen begrijpen waarop ze zijn gebaseerd. Het uiteindelijke oordeel blijft bij de zorgprofessional.
Mens en algoritme
Die combinatie is essentieel, benadrukt onderzoeker Lincen Yang. Een algoritme kan patronen herkennen in tien jaar aan patiëntgegevens, veel meer informatie dan een arts kan onthouden en tegelijkertijd beoordelen. Daar staat tegenover dat een algoritme de patiënt niet daadwerkelijk ziet. Een ervaren IC-arts kan de toestand van een patiënt ook beoordelen aan de hand van observaties aan het bed.
Het doel is dan ook niet AI de beslissing te laten nemen, maar beide soorten informatie bij elkaar te brengen. Transparantie is daarbij een voorwaarde. "Het is belangrijk dat de gebruikers begrijpen wat er gebeurt en dat elke stap terug te voeren is", stelt Yang. Volgens hem is uitlegbaarheid niet alleen belangrijk voor zorgprofessionals, maar ook voor overheid en maatschappij.
Samenwerking nodig
Het onderzoek benadrukt tegelijkertijd het belang van samenwerking tussen medische en technische disciplines. Yang dacht eerst dat het vooral een kwestie zou zijn van een bestaand model toepassen op medische data. In de praktijk bleek onderling begrip minstens zo belangrijk.
"In het begin dacht ik: dit is makkelijk. Mijn model, hun data, klaar. Maar interdisciplinair onderzoek vraagt ook om wederzijds begrip en de mogelijkheid om met elkaars systemen te werken. Dat kost tijd.”
Juist door informaticakennis te combineren met de klinische expertise van IC-professionals ontstond uiteindelijk een model waarvan de voorspellingen niet alleen technisch onderbouwd, maar voor artsen ook begrijpelijk en bruikbaar zijn.
Over de onderzoekers
Het onderzoek is uitgevoerd door Lincen Yang (postdoc, LIACS) Siri van der Meijden (technisch geneeskundige, LUMC), Sesmu Arbous (anesthesioloog-intensivist en hoogleraar intensive care-geneeskunde, LUMC) en Matthijs van Leeuwen (hoogleraar explainable machine learning, LIACS).
AI op de IC
Het gebruik van AI om besluitvorming en capaciteit op de IC te ondersteunen is in Nederland niet nieuw. Intensivisten van Amsterdam UMC ontwikkelden samen met Pacmed al eerder Pacmed Critical, beslissingsondersteunende software die artsen helpt bij de vraag of een patiënt de IC veilig kan verlaten. Het systeem voorspelt met machine learning hoe groot de kans is dat een patiënt binnen zeven dagen na ontslag opnieuw op de IC wordt opgenomen of onverwacht overlijdt. De voorspelling vormt aanvullende informatie voor de intensivist; de uiteindelijke ontslagbeslissing blijft bij de arts.
Sinds 2023 wordt Pacmed Critical ook in de praktijk gebruikt binnen Santeon. Maasstad Ziekenhuis en OLVG gingen er als eerste mee aan de slag. In 2024 kreeg Santeon vervolgens samen met Pacmed groen licht van zorgverzekeraars Zilveren Kruis en CZ om het gebruik verder op te schalen, onder meer naar het Catharina Ziekenhuis en Medisch Spectrum Twente. Daarbij wordt ook onderzocht hoe AI IC-professionals bij andere beslissingen kan ondersteunen.
AI wordt daarnaast ingezet om de instroom op de IC beter voorspelbaar te maken. Gelre ziekenhuizen ontwikkelde in 2023 samen met SAS en KPMG een model dat op basis van ziekenhuisdata voorspelt hoeveel patiënten mogelijk IC-zorg nodig hebben. Daarmee kan niet alleen de beschikbare capaciteit, maar ook de inzet van gespecialiseerd personeel beter worden gepland.
De verschillende initiatieven illustreren dat AI inmiddels op meerdere plekken rond de in-, door- en uitstroom van de IC wordt onderzocht en toegepast. Het nieuwe onderzoek van LUMC en LIACS voegt daar vooral de nadruk op transparantie en uitlegbaarheid aan toe: een voorspelling moet niet alleen accuraat zijn, maar de intensivist moet ook kunnen begrijpen welke patiëntkenmerken eraan ten grondslag liggen.
Referenties
LUMC.
Universiteit Leiden.
