Promovendus aan de Technische Universiteit Eindhoven Rohan Joshi heeft samenwerking met Máxima MC algoritmen ontwikkeld om beter de prioriteit vast te stellen in het grote aantal alarmmeldingen op NICU’s (neonatale intensive care unit).
Ook ontwierp Joshi algoritmen die de voordelen van huid-op-huid contact tussen vroeg geboren baby’s en hun ouders in kaart brengen. Tenslotte implementeerde hij een contactloze sensor die de ademhaling en bewegingen van vroeg geboren baby’s kan monitoren en het risico op ernstige infecties kan voorspellen.
Alarmmoeheid serieus probleem
Vroeg geboren baby’s zijn bijzondere patiënten die unieke zorg nodig hebben. Sommige baby’s worden geboren na slechts zes maanden, wegen niet meer dan 500 gram en hebben ernstig onderontwikkelde organen.
Deze baby’s liggen een aantal weken of zelfs maanden op neonatale intensive care units (NICU) in couveuses in een warmtegereguleerde omgeving. In de couveuses worden de onvoldoende ontwikkelde longen van de baby’s ondersteund met ventilatoren en wordt de ademhaling, samen met andere vitale functies, constant gemonitord zodat artsen tijdig gealarmeerd kunnen worden in geval van nood.
Op een moderne NICU kan het alarm wel een paar honderd keer per dag afgaan. De overgrote meerderheid van deze alarmmeldingen vereist geen medisch ingrijpen, wat resulteert in een fenomeen dat bekend staat als ‘alarmmoeheid’. Alarmmoeheid kan ertoe leiden dat medisch personeel minder alert reageert op mogelijk belangrijke alarmmeldingen, waardoor de veiligheid van baby’s in gevaar komt.
Kritiek alarm tot 20 seconden eerder
Rohan Joshi ontwikkelde, onder eindverantwoording van hoogleraar prof. Loe Feijs en vooraanstaand professor Sabine Van Huffel, verschillende strategieën waarmee het grote aantal alarmmeldingen op een NICU kan worden teruggebracht en medisch ingrijpen bij de overgebleven alarmmeldingen mogelijk blijft.
Onder directe supervisie en in nauwe samenwerking met zijn twee co-promotoren dr. Andriessen en dr. Ir van Pul van Máxima MC in Veldhoven analyseerde Joshi monitorsignalen van patiënten en hij vond, met behulp van machine learning algoritmes, manieren om de minder ernstige alarmmeldingen bij laag hartritme en laag zuurstofgehalte te elimineren, terwijl de kritieke alarmmeldingen juist eerder afgaan.
Door het totaal aantal alarmmeldingen terug te dringen en een groot aantal kritische alarmmeldingen tot zo’n 20 seconden eerder te laten afgaan, kan alarmmoeheid drastisch worden teruggebracht en kan medisch personeel tijdig reageren in kritische gevallen.
