Onderzoekers van de Johns Hopkins University en Bayesian Health, een startup voor machine learning, hebben onderzoek gedaan naar een AI-tool die de kans op overlijden door sepsis significant verminderd. Sepsis is een levensbedreigende reactie op een infectie. Volgens informatie van het CDC is sepsis de oorzaak voor ongeveer een derde van de overlijdens in ziekenhuizen.
Het gebruik van technologische tools voor het voorspellen van sepsis is niet nieuw. Wereldwijd worden die al bij honderden ziekenhuizen toegepast. Ook in Nederland waar het Erasmus MC al gebruik maakt van een technologie waarmee sepsis bij deze pasgeborenen vroeger ontdekt en behandeld kan worden. Er zijn tot nu toe echter nog maar weinig zogenoemde prospectieve onderzoeken uitgevoerd om de werken en effectiviteit van dergelijke tools te bepalen. Tussen 2018 en 2020 hebben de onderzoekers het machine learning platform voor sepsisdetectie getest in twee academische en drie algemene ziekenhuizen.
Machine learning bij sepsis diagnose
Wetenschappers van de Johns Hopkins University en Bayesian Health voerden drie prospectieve onderzoeken uit. Daarmee hebben zij aangetoond dat het machine learning platform van Bayesian 82 procent van de sepsisgevallen kon identificeren. Daarvan werd 38 procent door een arts bevestigd.
In de gevallen dat die bevestiging binnen drie uur na de identificatie door het machine learning platform bevestigd werd, konden de behandeling van de patiënt twee uur eerde beginnen dan bij andere patiënten. Dat resulteerde uiteindelijk tot een 18,2 procent lagere relatieve sterfte door sepsis.
Effectiviteit en patiëntresultaten
Voor het onderzoek werd het systeem eerst op de achtergrond gebruikt. Onderzoekers berekenden vervolgens hoe het machine learning platform presteerde ten opzichte van de huidige standaard van zorg. Vervolgens werd het platform bij ziekenhuizen geïmplementeerd en om de acceptatie van de tool door de zorgverlener en de invloed op patiëntresultaten te meten.
Met het onderzoek kon uiteindelijk de effectiviteit van de tool bij één vooraf gespecificeerde instelling aantonen. Wel, zo waarschuwen de onderzoekers, moet rekening gehouden worden met het feit dat de prestaties kunnen veranderen onder verschillende waarschuwingsinstellingen.
Nauwkeurigheid van groot belang
Suchi Saria, CEO van Bayesian Health en directeur van het machine learning-, AI- en gezondheidslab van Johns Hopkins benadrukt dat de nauwkeurigheid van de tool van cruciaal belang is voor de bereidheid van zorginstellingen om hem te gebruiken.
Bij eerdere onderzoeken werden gebreken aangetoond met deze systemen, die te rigide kunnen zijn of sepsis pas detecteren nadat een patiënt met een antibiotica behandeling is begonnen. "Dat was een enorme praktijkfout. Mensen hebben zaken als gevoeligheid, precisie, doorlooptijd, statistieken die nodig zijn om de systeemprestaties te evalueren en te begrijpen niet rigoureus gemeten om te zien of de tool effectief werkt", aldus Saria.
