LUMC gebruikt AI om infecties na operaties te voorspellen
Het LUMC introduceert PERISCOPE, een geavanceerd AI-model dat het risico op infecties na operaties voorspelt. Dit hulpmiddel helpt artsen en verpleegkundigen om sneller te handelen en zo complicaties bij patiënten beter te voorkomen. Door belangrijke patiëntgegevens te analyseren, biedt PERISCOPE nauwkeurige voorspellingen en ondersteunt het de besluitvorming in de klinische praktijk.
Hoe werkt PERISCOPE?
PERISCOPE is een AI-model dat historische patiëntgegevens analyseert om te voorspellen wie na een operatie een infectie kan krijgen. Het werkt op basis van informatie zoals eerdere infecties, andere aandoeningen zoals diabetes en vitale waarden als hartslag, gewicht en bloeddruk. Door deze data te combineren, berekent het model het infectierisico en geeft dat weer in een percentage en een risicocategorie (laag, medium of hoog). Zo kunnen zorgverleners snel zien welke patiënten extra aandacht nodig hebben en gerichter optreden om complicaties te voorkomen.
Achtergrond en validatie
-
Onderzoek en ontwikkeling
Het idee voor PERISCOPE is ontstaan vanuit de wens van chirurgen om beter te voorspellen welke patiënten na een operatie risico lopen op een infectie. Promotieonderzoeker Siri van der Meijden speelde hierin een centrale rol. Samen met haar team verzamelde ze gegevens van bijna tien jaar uit het elektronisch patiëntendossier en bepaalde ze welke factoren belangrijk waren, zoals eerdere infecties, andere aandoeningen (bijvoorbeeld diabetes) en vitale parameters als hartslag en bloeddruk. Na grondige analyse werd PERISCOPE ontwikkeld en klaargemaakt om in de praktijk te gebruiken.
-
Testen en betrouwbaarheid
Na de ontwikkeling werd PERISCOPE grondig getest met gegevens van meer dan 250.000 operaties in drie ziekenhuizen: het LUMC, Radboudumc en het Ziekenhuis Oost-Limburg in België. In het LUMC werden vijfhonderd voorspellingen van het AI-model vergeleken met die van artsen. Hieruit bleek dat PERISCOPE minstens net zo goed presteerde als ervaren artsen en zelfs beter scoorde wanneer artsen twijfelden of minder ervaring hadden. Zo werd duidelijk dat het model een betrouwbare ondersteuning biedt bij de besluitvorming in de klinische praktijk.