VolgendeVolgende gids
AI Valrisicovoorspelling in ziekenhuizen
Industrieën
Gids voor industrieën
AI-sepsisvoorspelling maakt gebruik van ziekenhuisgegevens zoals vitale functies, laboratoriumresultaten en medicatiegegevens om te schatten welke patiënten waarschijnlijk sepsis zullen ontwikkelen, vaak voordat artsen dit anders zouden herkennen.
Luister naar deze gidsAI-verteld · ~3 min
Het is van belang omdat sepsis een belangrijke oorzaak is van sterfgevallen in ziekenhuizen en vertragingen in de behandeling het risico verhogen, maar slecht gevalideerde modellen kunnen het personeel overspoelen met valse alarmen en echte gevallen over het hoofd zien.
Sepsis is de ontregelde reactie van het lichaam op een infectie, wat leidt tot orgaandisfunctie. Omdat vroege antibiotica en vloeistoffen de overleving verbeteren, maken ziekenhuizen al lang gebruik van op regels gebaseerde screenings zoals SIRS-criteria of qSOFA. AI-systemen voor vroegtijdige waarschuwing gaan nog verder: ze combineren veel variabelen, zoals hartslag, ademhalingsfrequentie, temperatuur, aantal witte bloedcellen, lactaat, creatinine, medicijnen en trends in de loop van de tijd, in één enkele risicoscore die wordt bijgewerkt zodra er nieuwe gegevens binnenkomen in het elektronische patiëntendossier (EPD). Het meest leerzame geval is het Epic Sepsis Model, een eigen instrument dat in veel Amerikaanse ziekenhuizen wordt ingezet. Uit een externe validatie uit 2021 bij Michigan Medicine, gepubliceerd in JAMA Internal Medicine, bleek dat het substantieel slechter presteerde dan de ontwikkelaar had gerapporteerd: het miste ongeveer tweederde van de gevallen van sepsis en genereerde waarschuwingen voor ongeveer één op de vijf in het ziekenhuis opgenomen patiënten, van wie de meesten geen sepsis hadden. Het onderzoek werd een referentiepunt voor een bredere les: een model dat is gevalideerd op basis van de gegevens van de ontwikkelaar houdt mogelijk geen stand in een ander ziekenhuis, en nauwkeurigheidsstatistieken alleen zeggen weinig over de vraag of een waarschuwing daadwerkelijk helpt. Meer bemoedigend bewijs kwam uit het TREWS-systeem van Johns Hopkins, waar onderzoeken gepubliceerd in Nature Medicine in 2022 betere resultaten rapporteerden voor patiënten bij wie de waarschuwingen onmiddellijk door een arts werden bevestigd. Deze onderzoeken waren eerder observationeel dan gerandomiseerd, dus in hoeverre de tool zelf de verbetering veroorzaakte, staat nog steeds ter discussie. In 2024 autoriseerde de FDA de Prenosis Sepsis ImmunoScore, een van de eerste AI-sepsistools die door de FDA werd beoordeeld. Een veel voorkomende misvatting is dat een sepsismodel sepsis diagnosticeert. Het signaleert risico's; artsen beoordelen de patiënt nog steeds. Een andere is dat meer waarschuwingen meer veiligheid betekenen. Alarmmoeheid, waarbij het personeel ongevoelig raakt na frequente valse alarmen, kan ertoe leiden dat echte waarschuwingen worden genegeerd. Het succes hangt af van de drempelkeuze, wie de waarschuwing ontvangt en welke actie daarna wordt verwacht.
Het elektronische patiëntendossier van een medisch-chirurgische afdeling herberekent de risicoscore voor sepsis zodra er nieuwe gegevens binnenkomen en roept een snel reagerende verpleegkundige op wanneer de stijgende hartslag, de dalende bloeddruk en het stijgende lactaat van een patiënt de score over een drempel duwen.
Een afdeling spoedeisende hulp gebruikt een triage-fasemodel voor de eerste reeks vitale functies en laboratoria om prioriteit te geven aan bloedkweken en antibiotica voor hoogrisicopatiënten die nog op een bed wachten.
Een kwaliteitsteam van een ziekenhuis voert gedurende drie maanden in de stille modus een sepsismodel van een leverancier uit, waarbij de potentiële waarschuwingen worden vergeleken met in de grafieken beoordeelde sepsisgevallen voordat het live waarschuwingen kan verzenden.
Een klinische informaticagroep verhoogt de alarmdrempel en voegt een 'snooze with red'-optie toe nadat verpleegkundigen herhaalde waarschuwingen over dezelfde stabiele patiënten hebben gerapporteerd, en gaat vervolgens na of er nog steeds echte gevallen worden opgemerkt.
Verwacht meer controle in plaats van minder. Gezondheidszorgsystemen valideren modellen steeds vaker lokaal voordat ze live gaan, en toezichthouders en beroepsorganisaties besteden steeds meer aandacht aan de manier waarop voorspellende instrumenten worden geëvalueerd en gemonitord. Onderzoek evolueert in de richting van modellen die laten zien welke signalen tot een score hebben geleid, gestructureerde gegevens combineren met klinische aantekeningen, en die prospectief of in gerandomiseerde ontwerpen worden getest in plaats van alleen retrospectief. Voor de meeste ziekenhuizen zullen de praktische vragen blijven bestaan over de workflow: waarschuwingen doorsturen naar de juiste persoon, dubbele meldingen beperken en meten of waarschuwingen daadwerkelijk de tijd tot antibiotica inkorten en de uitkomsten verbeteren. Het voorspellen van sepsis zal waarschijnlijk het nuttigst blijven als aanleiding voor menselijke beoordeling, en niet als vervanging ervan.
Gratis nieuwsbrief
Drie verifieerde AI-verhalen elke weekdagmorgen, geschreven in eenvoudig Engels. Gratis voor altijd, geen advertenties.
Eén e-mail elke weekdag. Afmelden met één klik. We verkopen of delen je adres nooit.
Test jezelf
Directe feedback op elke antwoord, en een deelbare certificaat met een verifieerbare ID zodra je een cursus hebt afgerond.
Ondersteun gratis AI-onderwijs. AI Understanding is een 501(c)(3) non-profit — geen advertenties, geen betaalmuur, nooit. Doe een donatie
AI-sepsisvoorspelling maakt gebruik van ziekenhuisgegevens zoals vitale functies, laboratoriumresultaten en medicatiegegevens om te schatten welke patiënten waarschijnlijk sepsis zullen ontwikkelen, vaak voordat artsen dit anders zouden herkennen. Het is van belang omdat sepsis een belangrijke oorzaak is van sterfgevallen in ziekenhuizen en vertragingen in de behandeling het risico verhogen, maar slecht gevalideerde modellen kunnen het personeel overspoelen met valse alarmen en echte gevallen over het hoofd zien.
Deze modellen combineren veel variabelen tot een risicoscore. Ze markeren patiënten die mogelijk sepsis ontwikkelen; artsen onderzoeken de patiënt nog steeds en beslissen over de behandeling.
Uit de studie bleek dat het model de meeste gevallen van sepsis miste, terwijl het veel patiënten waarschuwde die geen sepsis hadden, wat aantoont dat de door de ontwikkelaar gerapporteerde nauwkeurigheid mogelijk niet wordt overgedragen naar een nieuw ziekenhuis.
Wanneer de meeste waarschuwingen vals of repetitief zijn, beginnen artsen deze te negeren of af te wijzen, waardoor echte waarschuwingen gemist kunnen worden.
Dit is een vorm van lekkage: het model pikt het gedrag van artsen op dat al een vermoeden van sepsis weerspiegelt, dus het lijkt achteraf accuraat, maar voegt weinig nieuwe waarschuwingen toe.
Observationele onderzoeken kunnen aantonen dat een snelle bevestiging van waarschuwingen gepaard ging met betere resultaten, maar ze kunnen andere verklaringen voor de verbetering niet volledig uitsluiten.
Blijf leren
Er zijn meer handleidingen voor dit onderwerp geselecteerd
VolgendeVolgende gids
AI Valrisicovoorspelling in ziekenhuizen
Industrieën