Vroege voorspelling van het risico op doorligwonden bij opgenomen patiënten met behulp van begeleide machinaal-lerenmodellen op basis van verpleegkundige aantekeningen

Waarom doorligwonden nog steeds van belang zijn in moderne ziekenhuizen

Doorligwonden—vaak decubitus genoemd—klinken als een ouderwets probleem, maar ze blijven een ernstige en kostbare complicatie van ziekenhuiszorg. Ze kunnen zich snel ontwikkelen bij mensen die erg ziek zijn of zich moeilijk kunnen verplaatsen, en veroorzaken pijn, infecties en langere ziekenhuisopnames. Deze studie onderzoekt of informatie die verpleegkundigen al verzamelen in de eerste uren na opname gecombineerd kan worden met moderne computertechnieken om te signaleren welke patiënten het meest waarschijnlijk deze wonden ontwikkelen, zodat het personeel kan ingrijpen voordat er schade optreedt.

Verborgen gevaren van lang stil liggen

Een doorligwond ontstaat wanneer de huid en diepere weefsels te lang worden samengedrukt tussen een bed of stoel en het onderliggende bot. Meer dan één op de tien opgenomen volwassenen ontwikkelt deze wonden, vooral patiënten op intensive care of spoedeisende afdelingen die zich niet vrij kunnen bewegen. Naast pijn en infectierisico brengen deze wonden een zware financiële last met zich mee—in de Verenigde Staten alleen al lopen de kosten jaarlijks in de tientallen miljarden dollars. Traditionele checklists, zoals de veelgebruikte Braden-schaal, helpen verpleegkundigen het risico in te schatten, maar ze kunnen mensen missen wiens gevaar niet onmiddellijk duidelijk is, bijvoorbeeld patiënten met incontinentie, obesitas of complexe medische problemen.

Routineverpleegkundige notities gebruiken als vroegtijdige waarschuwingssignalen

De onderzoekers vroegen zich af of het mogelijk is om doorligwonden te voorspellen met alleen de basisgegevens die verpleegkundigen routinematig verzamelen binnen de eerste acht uur van een ziekenhuisopname. In een groot openbaar ziekenhuis in Santiago, Chili, verzamelden ze gegevens van 446 patiënten over verschillende afdelingen, van spoedeisende hulp en chirurgie tot intensive care. Verpleegkundigen noteerden eenvoudige details zoals leeftijd, lengte, gewicht, op welke afdeling de patiënt was opgenomen, hoe afhankelijk de patiënt was van anderen voor zorg, of er incontinentie was, en of speciale matrassen, houdingswisselingen of fysieke fixaties werden gebruikt. Eventuele wonden die al bij aankomst aanwezig waren, werden zorgvuldig gescheiden van wonden die later verschenen, zodat de studie zich richtte op alleen die letsels die in het ziekenhuis ontwikkelden.

Computers leren risicopatiënten te herkennen

Op basis van deze gegevens bouwde het team verschillende "begeleide" machinaal-lerenmodellen—computerprogramma's die patronen leren uit voorbeelden. Ze testten vijf verschillende benaderingen, waaronder beslisbomen, logistische regressie, support vector machines, extreme gradient boosting en een populaire methode genaamd Random Forest, die veel eenvoudige beslisbomen combineert tot een sterker voorspellend model. Voor het trainen van de modellen schonken en organiseerden ze de ruwe verpleegkundige aantekeningen, vulden ontbrekende waarden in met gangbare statistische methoden en selecteerden 13 van de meest informatieve kenmerken. De data werden vervolgens herhaaldelijk gesplitst in trainings- en testgroepen om te beoordelen hoe goed elk model patiënten kon onderscheiden die wel of niet een doorligwond zouden ontwikkelen.

Wie loopt volgens de data het grootste risico

Ongeveer 19% van de patiënten in de studie ontwikkelde een in het ziekenhuis verworven doorligwond. De analyse liet zien dat enkele vroege verpleegkundige observaties bijzonder belangrijk waren. Hogere algemene risicoscores, groter lichaamsgewicht en lengte, grote afhankelijkheid van verpleegkundige zorg en opname op bepaalde afdelingen, zoals volwassen medische-chirurgische en intensive care-afdelingen, waren gekoppeld aan meer wonden. De aanwezigheid van incontinentie—vooral fecale of gemengde incontinentie—fysieke fixatie en het eerder gebruik van speciale antidecubitusmatrassen gaven ook een verhoogd risico aan. Van de geteste computermodellen presteerde de Random Forest-methode het beste: deze scheidde hoog- en laagrisicopatiënten in meer dan vier van de vijf gevallen correct en behaalde een zeer hoge precisie, wat betekent dat wanneer het een patiënt als hoog risico markeerde, dat meestal klopte.

Van computerrapporten naar betere bedrandzorg

Om het systeem praktisch te maken op drukke afdelingen stelden de onderzoekers het zo af dat het precisie boven het vangen van elk mogelijk geval verkoos. Dit vermindert het aantal valse alarmen, zodat verpleegkundigen preventieve middelen—zoals frequente herpositionering, zorgvuldige huidcontroles en speciale matrassen—kunnen richten op die patiënten die er het meest baat bij hebben. Hoewel dit betekent dat sommige risicopatiënten mogelijk niet worden gemarkeerd, stellen de auteurs dat betrouwbare meldingen waarschijnlijker vertrouwd en gebruikt zullen worden in de dagelijkse praktijk. Ze benadrukken dat het model bedoeld is om klinisch oordeel te ondersteunen, niet te vervangen.

Wat dit betekent voor patiënten en ziekenhuizen

In eenvoudige bewoordingen laat de studie zien dat ziekenhuizen informatie die ze al verzamelen in de eerste uren na opname kunnen gebruiken om een digitaal "vroegwaarschuwingssysteem" voor doorligwonden aan te drijven. Met slechts 13 basale verpleegkundige observaties en een goed getraind computermodel kunnen medewerkers een kleine groep patiënten identificeren die zeer waarschijnlijk doorligwonden zullen ontwikkelen en ingrijpen voordat er ernstige schade optreedt. Hoewel het hulpmiddel nog in andere ziekenhuizen en zorgsystemen moet worden getest, biedt het een veelbelovende manier om routinematige bedrandnotities om te zetten in slimmere, tijdiger bescherming voor enkele van de meest kwetsbare patiënten.

Bronvermelding: Barriga-Gallegos, F., Ríos-Vásquez, G., Tapia, G.M. et al. Early prediction of pressure injury risk in hospitalized patients using supervised machine learning models based on nursing records. Sci Rep 16, 6502 (2026). https://doi.org/10.1038/s41598-026-35709-w

Trefwoorden: doorligwonden, preventie van decubitus, verpleegkundige aantekeningen, machinaal leren in ziekenhuizen, patiëntrisicovoorspelling