IC-artsen schatten dagelijks in wanneer een patiënt veilig naar de verpleegafdeling kan. Een te vroeg ontslag verhoogt het risico op heropname, wat samenhangt met complicaties en een hoger sterfterisico. Een langer verblijf vergroot weer de kans op onder meer ziekenhuisinfecties. Het LUMC en LIACS onderzochten daarom hoe kunstmatige intelligentie kan helpen bij die afweging.
Twee smaken
“Het probleem voor artsen op de IC is dat de meeste beschikbare modellen in twee varianten komen”, begint LIACS-postdoconderzoeker Lincen Yang. “Ze kunnen patiënten heel goed aanmerken als hoog risico, maar zonder uitleg waarom.” Daardoor werken ze als een black box. “Of ze komen wel met een uitleg, maar die klopt volgens de artsen niet altijd.”
De onderzoekers ontwikkelden daarom een model dat risico’s nauwkeurig inschat en laat zien op welke criteriaset die is gebaseerd. De uitkomst moest klinisch relevant en goed onderbouwd zijn. Bovendien wilden de onderzoekers geen model ontwikkelen dat het werk van de artsen overneemt, maar juist ondersteunt.
Tien jaar data
Een AI-model werd getraind met tien jaar aan data van IC-patiënten. Het algoritme verdeelde IC-patiënten in vijf groepen met elk een eigen risicoprofiel. Zo werd zichtbaar welke factoren samenhangen met een hoger risico op heropname. Een van de risicoprofielen is een groep patiënten bij wie het aantal witte bloedcellen in de laatste 24 uur voor ontslag duidelijk stijgt. Dat kan wijzen op een beginnende infectie die nog niet onder controle is.
Deze patiënten bleken gemiddeld ruim drie keer zo vaak te worden heropgenomen. “Voor de arts kan dat aanleiding zijn om te overwegen of aanvullend onderzoek of doorbehandelen op de IC verstandiger is dan ontslaan”, zegt Siri van der Meijden, technisch geneeskundige bij het LUMC. “Zo kan een beginnende infectie eerder worden opgemerkt en behandeld in plaats van dat de patiënt verslechtert na ontslag van de IC.”
Transparant algoritme
Het model wordt nu niet ingezet in de praktijk. “Maar dit soort scenario’s laten zien hoe uitlegbare AI artsen kan helpen om risico’s beter te herkennen, en om af te wegen of aanvullend onderzoek of langere behandeling op de IC verstandig is.”
Volgens Yang is het belangrijk dat artsen begrijpen wat er gebeurt en dat elke stap terug te voeren is. “Ik wilde in dit model af van die ‘magische parameters’. Een transparant algoritme is belangrijk voor gebruikers, de overheid en de maatschappij.”
