In de Neonatale Intensive Care Unit (NICU) van Children’s Hospital Colorado worden dagelijks te vroeg geboren baby’s onderzocht op retinopathy of prematurity (ROP). Dit is een aandoening die blindheid kan veroorzaken wanneer afwijkende bloedvaten groeien in het netvlies. Het onderzoek is essentieel, maar ook emotioneel zwaar: premature baby’s zijn kwetsbaar, moeten gefixeerd worden en kunnen tijdens het onderzoek tijdelijk in ademhaling of hartslag dalen. Veel ouders kiezen er daarom voor even weg te lopen.
Stel dat AI deze onderzoeken sneller, consistenter en minder belastend kan maken. En dat AI niet alleen oogziekten detecteert, maar ook systemische aandoeningen zichtbaar maakt via het netvlies, een opkomend onderzoeksgebied dat bekendstaat als oculomics. Precies daaraan werkt een team onder leiding van oogarts dr. Emily Cole en AI-onderzoeker dr. Praveer Singh (University of Colorado Anschutz). Hun doel was om AI-modellen te ontwikkelen die direct klinische waarde toevoegen in de NICU. “We ontwikkelen algoritmen met echte klinische toepasbaarheid. Niet alleen in het lab, maar aan het bed van de patiënt,” zegt Singh.
Uitdagingen ROP-screening
ROP ontstaat bij vroeggeboorte wanneer de bloedvaten in het netvlies nog onvolgroeid zijn. In de zuurstofrijke NICU-omgeving kunnen deze vaten afwijkend groeien, met risico op bloeding, netvliesloslating en blijvend zichtverlies. Jaarlijks krijgen in de VS zo’n 14.000 baby’s de diagnose ROP, waarvan er 1.100 tot 1.500 een behandeling nodig hebben.
Het onderzoek gebeurt via fundusfoto’s en een lichamelijk oogonderzoek, waarbij een camera op het oog wordt geplaatst. Het is invasief, technisch moeilijk en vraagt herhaling door schaarste aan gespecialiseerde artsen. Bovendien verschilt de beoordeling van ROP per arts, zeker bij het inschatten van de mate waarin bloedvaten “kronkelen”, hét criterium voor behandelbeslissingen.
Sneller en objectiever beoordelen
AI kan hier het verschil maken. Waar artsen ROP indelen in drie categorieën (plus / pre-plus / geen plus), kan een AI-model retinabeelden analyseren en de vaat-tortuositeit kwantificeren op een schaal van 1 tot 9. Deze vascular severity score maakt interpretatie uniform en ondersteunt beslissingen over vervolgonderzoek en behandeling.
Cole publiceerde in 2022 studies die bevestigen dat AI de variatie tussen clinici kan verminderen. Eén beeld is genoeg voor een risicoscore, snel, reproduceerbaar en minder afhankelijk van individuele beoordeling. “De score geeft mij direct richting in het behandelplan. Het schept een gemeenschappelijke taal voor alle zorgverleners,” aldus Cole.
In de toekomst ook andere ziekten voorspellen
Singh werkt al jaren aan ROP-AI en valideerde algoritmen succesvol in meerdere landen, zelfs met verschillende camera-typen. Voor NICU’s zonder dure beeldapparatuur onderzoekt het team smartphone-telescreening, goedkoper en verrassend accuraat.
En de stap vooruit is groter dan alleen ROP: recente studies tonen dat retinale AI-analyse mogelijk ook pulmonale hypertensie (PH) en bronchopulmonale dysplasie (BPD) vroegtijdig kan signaleren, zelfs vóór invasieve diagnostiek nodig is. “We kunnen aandoeningen weken eerder detecteren via AI dan met katheterisatie of echo. Dit kan risico-baby’s sneller in beeld brengen en zorg op maat mogelijk maken,” zegt Singh.
Uitdagingen voor implementatie
Cole richt zich nu op implementatieonderzoek: hoe past AI in NICU-workflow, welke professionals moeten betrokken worden en hoe zorgen we voor draagvlak bij neonatologen, verpleegkundigen en ouders? Pilotimplementaties moeten uitwijzen hoe AI-screening het onderzoek versnelt, stress bij baby’s vermindert en toegang tot zorg verbetert, ook via telemonitoring en overdrachtsmomenten.
“Adoptie door zorgverleners is cruciaal. We ontwikkelen dit niet alleen technisch, maar samen met de gebruikers. Alleen dan gaat het echt werken,” zegt Cole. Wanneer AI duurzaam landt in de NICU, kan het een nieuwe standaard worden: sneller screenen, objectiever beoordelen, ziektes eerder voorspellen en oogonderzoek minder belastend maken voor de kleinste patiënten.
NICU innovaties
Vorig jaar ontwikkelden onderzoekers van Mount Sinai Pose-AI, een deep learning-tool voor houdingsherkenning die is ontworpen om premature baby's op de NICU continu te monitoren. In tegenstelling tot hart- en longfuncties wordt de neurologische status momenteel slechts met tussenpozen beoordeeld, waardoor vroegtijdige detectie van verslechtering moeilijk is.
Pose-AI maakt gebruik van standaard NICU-videobeelden om lichaamsbewegingen te volgen en neurologisch relevante gegevens te extraheren. Het model is getraind op basis van meer dan 4700 uur aan videobeelden van 115 baby's die met video-EEG werden gemonitord.
De resultaten toonden aan dat AI anatomische sleutelpunten kan identificeren en twee kritieke aandoeningen, lethargie en cerebrale disfunctie, met hoge nauwkeurigheid kan voorspellen. Volgens onderzoekers zou deze aanpak minimaal invasieve, realtime neurologische monitoring mogelijk maken, waardoor vroegtijdige interventie en betere resultaten voor kwetsbare pasgeborenen mogelijk worden.
