Machine learning voor detectie lage bloeddruk tijdens operaties

Stel, je bent dokter en je constateert een terugkerend probleem tijdens je werk met patiënten. Een probleem dat andere problemen veroorzaakt. Om zeker te weten dat het aanvankelijke probleem een echt probleem is, verzamel je data. Veel data.

Daar zoek je expertise bij en een techniek die uit die data het probleem kan voorspellen in plaats van achteraf te constateren, zelflerende techniek. Machine learning dus. Met dat model kun je in de toekomst de gevolgproblemen voorkomen.

Dat is wat Bart Geerts en collegae deden toen zij een vermoeden hadden dat het continue bloeddruksignaal gebruikt kon worden om lage bloeddruk tijdens operaties te voorspellen. Een lage bloeddruk van minimaal een minuut tijdens de operatie betekent een verhoogde kans op complicaties, vertelt Geerts. “Langer dan een minuut een gemiddelde druk van 65 millimeter of minder, kan narigheid betekenen. Denk aan een hartaanval, een CVA of nierschade na de operatie.”

Probleem was echter dat een naderende lage bloeddruk nauwelijks met het blote oog is waar te nemen. De bloeddrukcurve laat heel subtiele veranderingen zien die, als de verandering al opvalt, nauwelijks door een mens in een risico is uit te drukken. En was het eenmaal zover, dan ben je dus eigenlijk al te laat en ontstaat er schade aan het lichaam.

Monitoring

Nodig was dus een manier om lage bloeddruk eerder op te merken en proactief te gaan handelen. Ieder jaar opereren we in Nederland zo’n 2,4 miljoen mensen, het overgrote deel onder begeleiding van een anesthesioloog. Meer dan de helft – tot wel 70 procent van de patiënten – heeft tijdens een operatie een lage-bloeddruk-episode. Geerts besloot om met de marktleider van bloeddrukmonitoringapparatuur om de tafel te gaan zitten. “We werkten al eerder in een onderzoekssetting met hen samen. Zij hebben onder meer de technologie ontwikkeld waarbij bloeddruk via een bandje om de vinger is te meten, niet-invasief dus. Een bijna continue meting is het resultaat.”

Zij ontwierpen vervolgens een algoritme waarmee de verzamelde data tot een voorspeller van lage bloeddruk leidde: enter machine learning. De software doet tijdens het gebruik ervan ervaringen op die het verwerkt en het algoritme beter maakt: nog secuurder en betrouwbaarder en in staat om verbanden te leggen die je als mens niet direct zult leggen.

Toch hoort Geerts deze vraag vaker: hoe zit het met de klinische blik waarop veel dokters nog steeds prat gaan? “Je klinische blik is in feite een bibliotheek vol met waarnemingen en ervaringen, waarin je de uitkomsten van de individuele patiënt meeneemt. Stel je nu eens voor dat je een computer hebt die nog veel meer waarnemingen kan meewegen; zoveel als geen chirurg in zijn leven zal opdoen, waardoor de behandeling steeds verfijnder wordt. Maar ook berekeningen, alternatieve behandelingen, het interpreteren van een 3D-image die je niet met het blote oog kunt doen of waarvan je de interpretatiemogelijkheden zelfs niet kunt verzinnen; de mogelijkheden zijn eindeloos.”

Lees het hele verhaal online of in ICT/Zorg van maart.

Gerelateerde berichten...

X