Vroege voorspelling van kolonisatie door carbapenemase-producerende Enterobacterales bij opname op de IC met behulp van machine learning

Waarom verborgen ziekenhuiskiemen ertoe doen

Veel van de ernstigste patiënten in een ziekenhuis worden behandeld op intensivecareafdelingen (IC), waar krachtige antibiotica en invasieve apparatuur gangbaar zijn. In die omgeving kunnen een gevaarlijke groep darmbacteriën — carbapenemase-producerende Enterobacterales, of CPE — zich stilletjes vestigen. Mensen die deze kiemen bij zich dragen voelen zich mogelijk niet ziek, maar kunnen ze aan anderen overdragen of later levensbedreigende infecties ontwikkelen die moeilijk te behandelen zijn. Deze studie stelt een praktische vraag: kunnen we op het moment dat iemand de IC binnenkomt voorspellen wie waarschijnlijk al CPE bij zich draagt, zodat personeel andere patiënten effectiever kan beschermen?

Een stille dreiging op de IC

CPE zijn darmbacteriën die zich hebben ontwikkeld tot resistentie tegen carbapenemen, enkele van de krachtigste antibiotica die worden ingezet wanneer andere middelen falen. In Zuid-Korea zijn CPE-infecties de afgelopen jaren toegenomen, in overeenstemming met een wereldwijde trend. IC-patiënten lopen extra risico omdat zij vaak langer in het ziekenhuis verblijven, meer ingrepen ondergaan en meer antibiotica krijgen dan andere patiënten. Ziekenhuizen kunnen rectale uitstrijkjes gebruiken om CPE op te sporen, maar de uitslagen kosten tijd, en het is onrealistisch om iedere nieuwe IC-patiënt in isolatie te plaatsen totdat het laboratoriumrapport binnen is. De auteurs wilden een hulpmiddel ontwikkelen dat gebruikmaakt van informatie die al in het medisch dossier staat bij opname op de IC om in te schatten welke patiënten waarschijnlijk CPE-dragers zijn.

In ziekenhuisdossiers naar aanwijzingen zoeken

De onderzoekers onderzochten 4.915 volwassen IC-opnames in een groot Zuid-Koreaans ziekenhuis tussen 2022 en 2023. Bij al deze patiënten werden binnen 48 uur na binnenkomst op de IC rectale uitstrijkjes afgenomen. Ongeveer 9,2 procent — 453 personen — bleken te zijn gekoloniseerd met CPE. Uit de elektronische patiëntendossiers haalde het team 42 gegevenspunten die bij opname beschikbaar waren, waaronder leeftijd, recente ziekenhuis- en verpleeghuisopnames, eerdere operaties, onderliggende aandoeningen, eerder antibioticagebruik en of de patiënt drains of katheters had. Met deze variabelen vergeleken ze tien verschillende machine-learningmethoden om te zien welke het beste CPE-dragers van niet-dragers onderscheidde.

Een eenvoudig model met sterke uitsluitende waarde

In plaats van het meest complexe algoritme te prefereren, ontdekte de studie dat een relatief eenvoudige methode — logistische regressie — de beste balans bood voor gebruik in de praktijk. Met een gekozen risicodrempel identificeerde het model ongeveer 73 procent van de dragers correct en classificeerde 96 procent van de als niet-drager voorspelde patiënten terecht als negatief. In praktische termen: wanneer het hulpmiddel zegt dat een patiënt waarschijnlijk geen CPE draagt, klopt dat vrijwel altijd. Dit is cruciaal voor infectiecontroleteams die moeten beslissen wie echt schaarse isolatiekamers nodig heeft. Andere, meer geavanceerde modellen waren specifieker maar misten veel echte dragers, waardoor ze minder veilig zijn voor dit doel.

Wie loopt het meeste risico?

Om het hulpmiddel begrijpelijk te houden voor clinici, richtten de auteurs zich op 12 belangrijke voorspellers. Het hebben van een biliair drain — een buis die gal uit de lever afvoert — hing samen met de hoogste kans op CPE-kolonisatie. Andere sterke signalen waren recent verblijf in een verzorgings- of verpleeghuis, de aanwezigheid van een neus-maagsonde of een centraal veneuze katheter, recent gebruik van steroïden, eerder gebruik van meerdere antibiotica en meer opgenomen dagen in het ziekenhuis voordat men de IC betrad. Een eerdere kolonisatie of infectie met een andere hardnekkige kiem, vancomycine-resistente Enterokokken, verhoogde ook de kans. Het team gebruikte SHAP (Shapley Additive Explanations), een methode die laat zien hoe elke factor het risico van een patiënt naar boven of naar beneden duwt, zodat individuele voorspellingen geen mysterieuze "black box" zijn.

Van cijfers naar beslissingen aan het bed

Om het onderzoek buiten de dataset bruikbaar te maken, bouwde het team een gratis webgebaseerde rekenhulp (www.cpepredictor.com). Zorgverleners kunnen bij opname op de IC antwoorden op 14 eenvoudige vragen invoeren — bijvoorbeeld of de patiënt recent bepaalde antibiotica heeft gekregen of bepaalde drains heeft — en het hulpmiddel schat direct de kans op CPE-kolonisatie. De auteurs benadrukken dat het model het beste gebruikt wordt om laag-risicopatiënten uit te sluiten, niet om mensen definitief als drager te bestempelen. Een positief resultaat moet leiden tot vroege isolatie of snelle moleculaire tests, en mag standaard laboratoriumkweken niet vervangen. Hoewel de studie in één ziekenhuis plaatsvond en elders gevalideerd moet worden, toont ze hoe zorgvuldig ontworpen, interpreteerbare machine-learninghulpmiddelen ziekenhuizen kunnen helpen infectiecontrole-inspanningen te richten waar ze het meest nodig zijn, waardoor de verspreiding van sterk resistente bacteriën afneemt zonder reeds overbelaste ICs te overladen.

Bronvermelding: Kim, J.H., Yang, E., Lee, Y.W. et al. Early prediction of colonization by carbapenemase-producing enterobacterales at ICU admission using machine learning. Sci Rep 16, 6705 (2026). https://doi.org/10.1038/s41598-026-37927-8

Trefwoorden: antibioticaresistentie, intensivecare, infectiecontrole, machine learning in de geneeskunde, ziekenhuisinfecties