AI kan overleving van kinderen voorspellen na reanimatie

Onderzoekers van het Erasmus Medisch Centrum (Erasmus MC) en de Technische Universiteit Delft (TU Delft) hebben een machine-learning model ontwikkeld dat de overlevingskansen van een kind binnen 24 uur na reanimatie kan voorspellen. Dit innovatieve hulpmiddel, gebaseerd op hersenactiviteitspatronen van het elektro-encefalogram (EEG), is bedoeld om ouders cruciale begeleiding te bieden tijdens een emotioneel uitdagende periode. Hoewel het model 100% accuraat is in het voorspellen van de dood, wordt het nog verfijnd voor overlevingsvoorspellingen. Deze samenwerking tussen medische en technische experts, die momenteel in andere ziekenhuizen wordt getest, zou een revolutie teweeg kunnen brengen in de zorg en besluitvorming na een reanimatie en hoop en steun kunnen bieden aan families die met een onzekere uitkomst worden geconfronteerd.

Inzicht in de cruciale rol van cardiopulmonale reanimatie (CPR) bij de reanimatie van kinderen is essentieel om de impact van het model te begrijpen. Reanimatie is een levensreddende procedure die wordt gestart wanneer de hartslag of ademhaling van een kind stopt, meestal als gevolg van verdrinking of verstikking. Zonder bloedtoevoer kan er binnen enkele minuten permanente hersenbeschadiging optreden, wat het belang van snel ingrijpen benadrukt.

In de kritieke uren na de reanimatie van een kind moeten ouders tergend lang wachten op duidelijkheid over de toekomst van hun kind. Deze onzekerheid wordt bijna net zo zwaar ervaren als het ontvangen van slecht nieuws. Begrijpen of een kind zal herstellen en in welke mate is van vitaal belang om weloverwogen beslissingen te kunnen nemen over zorg en behandeling.

Het model van de Erasmus Universiteit voorziet in deze behoefte door voorspellingen te doen op basis van EEG-gegevens die snel na reanimatie kunnen worden verzameld. Het project bracht experts van het Erasmus MC en de TU Delft samen, met belangrijke bijdragen van neuroloog Robert van den Berg en statisticus Geurt Jongbloed, naast masterstudent Femke Lückerath.

Speeksel laat ernst van terugkerende luchtweginfecties bij kinderen zien

RadboudUMC: Meting zonder bloedprikken helpt bij diagnose en behandeling

Read More

De wetenschap achter het model

Het model maakt gebruik van machine learning om EEG-patronen te analyseren, waarbij specifiek wordt gezocht naar 'stiltes' in de hersenactiviteit, die zijn geïdentificeerd als significante indicatoren voor slechte resultaten. Deze methode levert een betrouwbaardere voorspelling op in vergelijking met gevallen bij volwassenen, waar de patronen minder uitgesproken zijn. Bij de ontwikkeling van het model werd getraind op gegevens van gereanimeerde kinderen, werden de gezondheidsresultaten gedurende een jaar beoordeeld en werden de algoritmen verfijnd om de nauwkeurigheid van de voorspelling te verbeteren.

Ondanks de belofte blinkt het model momenteel uit in het voorspellen van de dood met 100% nauwkeurigheid, maar heeft het moeite met het voorspellen van de overleving. Onderzoekers richten zich op het begrijpen van het besluitvormingsproces van het model, met als doel de betrouwbaarheid te verbeteren. Hiervoor worden voortdurend tests uitgevoerd in ziekenhuizen om de robuustheid van het model in verschillende omgevingen te garanderen. Het doel is om de mogelijkheden van het model uit te breiden om de ontwikkeling op lange termijn te voorspellen en optimale behandelingsstrategieën op maat te maken voor overlevende kinderen.

Empowerment van ouders en verzorgers

Naast de wetenschappelijke waarde biedt het model praktische steun aan families in moeilijke tijden. Door voorspellingen te doen, geeft het ouders informatie die ze kunnen gebruiken bij emotionele en medische beslissingen. Zoals Van Den Berg aangeeft, kunnen de inzichten van het model troost bieden en gezinnen helpen om door de moeilijkste periodes van hun leven te navigeren. Dit sluit aan bij bredere inspanningen om ouders en verzorgers voor te lichten over reanimatie, waarbij de nadruk ligt op voorbereid zijn op noodsituaties.