AI op de IC
AI op de IC
Inhoud:

    Auteur(s):

    Ashley de Bie Dekker

    is intensivist in het Catharina Ziekenhuis in Eindhoven. Daarnaast heeft hij een onderzoekaanstelling bij de Technische Universiteit Eindhoven, waar hij studenten en promovendi begeleidt op het gebied van slimme klinische beslisondersteuning.

    Jessica Workum (1,2), ChatGPT (3)
    1. Afdeling Intensive Care, Elisabeth-TweeSteden Ziekenhuis, Tilburg, Nederland, 2. Pacmed, Amsterdam, 3. OpenAI

    Correspondentie:

    Jessica Workum - j.workum@etz.nl
    AI op de IC

    AI op de IC

    Mechanische ventilatie is een van de hoekstenen van de intensive care. Circa 35% van onze patiëntenpopulatie wordt binnen 24 uur beademd. Als intensivisten weten wij dat deze patiënten een bepaald traject zullen doorlopen waarbij verschillende keuzes in behandeling gemaakt moeten worden: moet deze patiënt (inderdaad) geïntubeerd worden of kunnen we nog even wachten? Als ik deze patiënt nu detubeer, wat is dan de kans dat deze patiënt snel gereïntubeerd moet worden? En hoe groot is de kans op moeilijke ontwenning en dus een langdurig weaningstraject? Artificial intelligence (AI) zou bij al deze vraagstukken kunnen ondersteunen, zodat we de beste geïndividualiseerde patiëntenzorg kunnen leveren. In dit stuk krijgt u een korte update van de recente ontwikkelingen binnen AI op het gebied van beademing.

    Intubatie

    Recente studies hebben de effectiviteit van AI in het voorspellen van de intubatie bij IC-patiënten onderzocht. Siu et al. trainden op meer dan 17.000 patiënten verschillende AI-modellen, en behaalden een hoge voorspellingsnauwkeurigheid met een area under the curve (AUC) van 0,86.[1] Arvind et al. trainden op circa 4.000 patiënten een algoritme met vitale parameters, laboratoriumwaarden en demografische gegevens bij COVID-19-patiënten. Zij voorspelden het risico op intubatie met een AUC van 0,84, wat aanzienlijk beter was dan de ROX-index (AUC van 0,64).[2] Nguyen et al. trainden een algoritme op circa 2.400 patiënten om intubatie binnen 24 uur te voorspellen, waarbij ook de thoraxfoto automatisch werd geanalyseerd.[3] Zij bereikten met deze combinatie van klinische variabelen en beeldvorming een AUC van 0,87.

    Patiënt-ventilator-asynchronieën

    Patiënt-ventilator-asynchronieën (PVA’s) kunnen leiden tot ventilator induced lung injury, discomfort en stress. PVA’s zijn moeilijk te herkennen door de clinici aan bed, doordat het continue monitoren van de curves een specifieke expertise vereist. AI-algoritmes hebben daarentegen wel de capaciteit om continu druk- en flowcurves te analyseren. Bakkes et al. toonden aan dat een neuraal netwerk op basis van de beademingscurves bij pressure support in meer dan 90% van de gevallen PVA’s kan detecteren en correct kan classificeren.[4]

    Extubatie

    AI is ook ingezet om succesvolle detubatie bij invasief beademde patiënten te voorspellen. Zhao et al. trainden op basis van de MIMIC-IV-database een Categorical Boost-model op 89 klinische en laboratorium-variabelen voor de voorspelling van reïntubatie of overlijden binnen 48 uur na detubatie.[5] Zij behaalden hiermee een AUC van 0,84. Met de grote nationale COVID-19-database ontwikkelden Fleuren et al. een algoritme op basis van 883 COVID-19-patiënten.[6] Zij voorspelden reïntubatie of overlijden binnen 48 uur en zeven dagen. Het beste model had een AUC van respectievelijk 0,67 en 0,70. Igarashi et al. hebben in een review verschillende studies beschreven, waarbij de voorspellingsnauwkeurigheid van ontwikkelde algoritmes varieert met een AUC tussen de 0,70 en 0,98.[7]

    Weaning

    Extubatiefalen leidt frequent tot een langdurig weaningstraject. Kim et al. hebben klinische parameters van reeds vóór intubatie uit de internationaal toegankelijke MIMIC-IV-database gebruikt voor de ontwikkeling van een AI-algoritme dat de kans inschat dat de patiënt binnen veertien dagen succesvol geweand is van de beademing.[8] Zij includeerden meer dan 23.000 patiënten, waarbij het beste model een AUC van 0,86 had. Echter, het gebrek aan eenduidige definities in de wetenschappelijke literatuur en de beperkte registratie zorgen ervoor dat voorspelmodellen voor moeilijke ontwenning nog maar weinig ontwikkeld zijn en veel beperkingen kennen.

    Conclusie

    In de toekomst zullen AI-algoritmes met groeiende accuraatheid onze beslissingen rondom mechanische beademing kunnen ondersteunen. Net als de ROX-index dit voor veel clinici heeft gedaan bij de beslissing omtrent intubatie gedurende de COVID-19-pandemie. De ontwikkelingen gaan nu snel, maar de essentiële vragen zijn: hoe gaat deze beslissingsondersteuning zijn weg vinden in de dagelijkse routine en de praktijk? En hoe zal AI-gebaseerde beslisondersteuning uiteindelijk weer invloed hebben op de data waarop het zijn volgende modellen (her)traint en onderhoudt? Deze en andere obstakels moeten gaandeweg worden opgelost alvorens deze AI-algoritmes diep ingebed kunnen worden op uw IC. Dit moet zorgvuldig gebeuren, maar vergeet niet dat dit geldt voor alle medische beslissingen die we nemen: als de common practice verandert, moeten we de studies en de uitkomsten daarvan in een andere context plaatsen. In ieder geval lijken de verschillende modellen en applicaties voor wat betreft mechanische ventilatie veelbelovend voor de toekomst.

    Referenties

    1. Siu BMK, Kwak GH, Ling L, Hui P. Predicting the need for intubation in the first 24 h after critical care admission using machine learning approaches. Sci Rep 2020; 10:1–8.
    2. Arvind V, Kim JS, Cho BH, Geng E, Cho SK. Development of a machine learning algorithm to predict intubation among hospitalized patients with COVID-19. J Crit Care 2021; 62:25–30.
    3. Nguyen K-A-N, Tandon P, Ghanavati S, et al. A Hybrid Decision Tree and Deep Learning Approach Combining Medical Imaging and Electronic Medical Records to Predict Intubation Among Hospitalized Patients With COVID-19: Algorithm Development and Validation. JMIR Form Res 2023; 7:e46905.
    4. Bakkes T, van Diepen A, De Bie A, et al. Automated detection and classification of patient–ventilator asynchrony by means of machine learning and simulated data. Comput Methods Programs Biomed 2023; 230:107333.
    5. Zhao QY, Wang H, Luo JC, et al. Development and Validation of a Machine-Learning Model for Prediction of Extubation Failure in Intensive Care Units. Front Med 2021; 8:1–12.
    6. Fleuren LM, Dam TA, Tonutti M, et al. Predictors for extubation failure in COVID-19 patients using a machine learning approach. Crit Care 2021; 25:1–10.
    7. Igarashi Y, Ogawa K, Nishimura K, Osawa S, Ohwada H, Yokobori S. Machine learning for predicting successful extubation in patients receiving mechanical ventilation. Front Med 2022; 9.
    8. Kim J, Kim YK, Kim H, et al. Machine Learning Algorithms Predict Successful Weaning From Mechanical Ventilation Before Intubation: Retrospective Analysis From the Medical Information Mart for Intensive Care IV Database. JMIR Form Res 2023; :1–13.