In de complexe setting van de intensive care unit (ICU) zijn zorgprofessionals dagelijks op zoek naar manieren om patiëntveiligheid te waarborgen en complicaties te minimaliseren. Een nieuwe ontwikkeling vanuit de Icahn School of Medicine at Mount Sinai laat zien hoe kunstmatige intelligentie (AI) daarbij een waardevolle rol kan spelen. Onderzoekers ontwikkelden het AI-gestuurde model GLUCOSE, dat artsen ondersteunt bij het nauwkeurig doseren van insuline bij patiënten die herstellen van een hartoperatie – een klinische uitdaging die gepaard gaat met grote risico’s.
Na een hartoperatie kampen veel patiënten met schommelingen in de bloedsuikerspiegel. Zowel hyperglykemie als hypoglykemie kunnen leiden tot ernstige complicaties en een vertraagd herstel. Een stabiele glucoseregulatie is dan ook cruciaal, maar lastig te realiseren vanwege de wisselende behoeften van individuele patiënten en de onvoorspelbaarheid van IC-zorg. Bestaande protocollen zijn vaak generiek en onvoldoende afgestemd op de unieke klinische context van de patiënt.
Slimme ondersteuning op de IC
GLUCOSE brengt daar verandering in. Het model is gebaseerd op reinforcement learning – een vorm van machine learning waarbij het algoritme leert door ervaring. Door grote hoeveelheden data uit echte IC-casussen te analyseren, leerde GLUCOSE hoe het gepersonaliseerde aanbevelingen kan doen voor insulinedosering, afgestemd op actuele patiëntgegevens. Opmerkelijk is dat het model daarbij net zo goed, of zelfs beter presteerde dan ervaren intensivisten, terwijl het slechts over real-time data beschikte en geen toegang had tot de volledige medische voorgeschiedenis.
“Onze bevindingen tonen aan dat AI een waardevolle aanvulling kan zijn op het klinisch handelen, mits verantwoord en doordacht toegepast,” aldus dr. Ankit Sakhuja, associate professor en mede-initiatiefnemer van het project. “Vooral in dynamische, drukke omgevingen zoals de IC kan een datagedreven beslissingsondersteuner als GLUCOSE bijdragen aan betere en veiligere zorg.” Het onderzoek is onlangs gepubliceerd in Nature.
Volgende stap: integratie in EPD
Het model werd getraind met behulp van conservatieve en distributieve leerstrategieën om te waarborgen dat aanbevelingen altijd binnen veilige grenzen blijven. Hoewel GLUCOSE nu nog in een onderzoeksfase verkeert, zijn de vooruitzichten voor klinische integratie positief. De volgende stap is implementatie in elektronische patiëntendossiers (EPD), zodat artsen in realtime ondersteund worden bij het doseren van insuline. Parallel hieraan worden verdere klinische studies voorbereid om de effectiviteit van het systeem in de praktijk te toetsen.
Een kanttekening is dat GLUCOSE op dit moment nog geen rekening houdt met voedingsinname, die op langere termijn van invloed kan zijn op de bloedsuikerregulatie. Toch laat het systeem nu al zien dat het, met beperkte maar relevante data, nauwkeurige en bruikbare aanbevelingen kan doen. Het draagt zo bij aan een veiliger postoperatief herstel en vermindert het risico op complicaties.
Volgens dr. Girish N. Nadkarni, Chief AI Officer van het Mount Sinai Health System, staat GLUCOSE symbool voor een nieuwe generatie AI-oplossingen in de zorg. “Door realtime aanbevelingen te doen op basis van echte patiëntdata, bieden modellen als GLUCOSE een concreet voorbeeld van hoe AI op verantwoorde wijze kan worden ingebed in de klinische workflow. Ze versterken de capaciteiten van zorgverleners en dragen bij aan betere behandeluitkomsten.”
De ontwikkeling van GLUCOSE onderstreept het potentieel van AI als veilige, betrouwbare en schaalbare partner in de zorg – met als ultiem doel: optimale ondersteuning van de zorgprofessional en maximale winst voor de patiënt.
AI-diagnostiek bij diabetes
Onderzoekers van Stanford Medicine hebben enkele maanden geleden een AI-algoritme ontwikkeld dat gegevens van continue glucosemeters analyseert om drie van de vier meest voorkomende subtypes van type 2-diabetes te identificeren. Dit is een belangrijke stap, aangezien type 2-diabetes vaak als één aandoening wordt behandeld, terwijl er verschillende onderliggende oorzaken kunnen zijn, zoals insulineresistentie of bètaceltekort.
Het algoritme biedt patiënten inzicht in hun specifieke subtype, waardoor ze gerichtere preventieve maatregelen kunnen nemen, zoals aanpassingen in voeding of beweging. Dit onderzoek benadrukt de potentie van AI in het personaliseren van diabeteszorg.
