Een gerandomiseerde gecontroleerde studie van AI-gebaseerde analyse voor klinische achteruitgang

Waarom het zo moeilijk is om patiënten in het ziekenhuis veilig te houden

Als mensen worden opgenomen in het ziekenhuis doen artsen en verpleegkundigen hun best om vroege waarschuwingssignalen te herkennen dat iemand veel zieker dreigt te worden. Maar menselijke waarneming kan subtiele veranderingen in hartslag, ademhaling of bloeddruk missen, vooral op drukke afdelingen. Deze studie stelde een urgente vraag: kan een kunstmatig-intelligentiesysteem (AI) dat op de achtergrond stilletjes de vitale functies van patiënten bewaakt, daadwerkelijk helpen ernstige noodsituaties zoals hartstilstand, ademhalingsfalen of snelle overplaatsingen naar de intensive care voorkomen?

Een nieuw soort "radar" voor patiënten

Het onderzoeksteam testte een systeem genaamd CoMET, dat stromen van bedmonitorgegevens, labuitslagen en door verpleegkundigen vastgelegde vitale waarden omzet in een gemakkelijk leesbaar visueel risico-overzicht. Elke patiënt verschijnt op een groot scherm als een helder komeetpictogram waarvan de "kop" het huidige risico toont en de "staart" laat zien hoe dat risico in de afgelopen drie uur is veranderd. Een score van 1 betekent het gemiddelde risico op een ernstig voorval in de komende dag; hogere scores duiden op groter risico. In tegenstelling tot luide alarmen toont dit systeem continu informatie. Het idee was dat een stille, altijd-aan weergave van risico personeel zou helpen zorgwekkende trends vroeg te zien en patiënten te controleren voordat ze instorten.

AI op de proef gesteld op echte ziekenhuisafdelingen

Om te onderzoeken of dit display daadwerkelijk een verschil maakte, voerde het team een grootschalige gerandomiseerde gecontroleerde trial uit op een 85-bedden tellende afdeling cardiologie en hartchirurgie in een universitair ziekenhuis. Meer dan tienduizend ziekenhuisopnames werden opgenomen over bijna twee jaar, tijdens de COVID-19-periode. In plaats van individuele patiënten te randomiseren, randomiseerden de onderzoekers clusters van kamers. Sommige kamergroepen hadden het CoMET-display ingeschakeld; andere volgden de gebruikelijke zorg zonder display. Iedereen kreeg standaard medische zorg; het enige verschil was of personeel de risicotrajecten op grote monitoren en in het elektronische patiëntendossier kon zien. Er werden geen specifieke acties verplicht gesteld—klinici werden aangemoedigd, maar niet verplicht, te reageren wanneer scores stegen.

Wat er met de uitkomsten van patiënten gebeurde

De belangrijkste maatstaf was hoeveel uren in de eerste 21 dagen van een ziekenhuisopname patiënten vrij bleven van ernstige achteruitgang—voorvallen zoals overlijden, spoedoverplaatsing naar de intensive care, spoedplaatsing van een ademhalingsbuis, hartstilstand of noodoperatie. De meeste patiënten kregen nooit zo'n voorval en ontvingen daarom de maximale score van 21 uur zonder voorval. Over het geheel genomen ervoer ongeveer 5% van de patiënten een ernstig voorval. De onderliggende voorspellingsmodellen van het AI-systeem presteerden goed en overtroffen zelfs een gebruikelijke vroegwaarschuwingsscore, maar toen de onderzoekers de groep met display aan vergeleken met de groep zonder display, vonden ze geen betekenisvol verschil in uren zonder voorval of in sterfte. Bij de kleinere groep patiënten die wel een voorval had, hadden degenen in de display-aanarm de neiging eerdere stabielere uren te hebben, maar dit patroon was niet sterk genoeg om statistisch overtuigend te zijn.

Hoe menselijke beslissingen het experiment vertroebelden

Een van de meest opvallende bevindingen had minder met de statistiek te maken en meer met menselijk gedrag. Tijdens de trial verplaatsten clinici vaak patiënten tussen bedden: honderden gingen van gebruikelijke-zorgbedden naar bedden met display en andersom. Een nadere analyse liet zien dat zwaarder zieke patiënten vaker werden overgeplaatst naar kamers met het AI-display. Met andere woorden, personeel leek CoMET als nuttig te beschouwen en probeerde patiënten met hoger risico het voordeel van extra monitoring te geven, ook al was de trialopzet bedoeld om toewijzingen willekeurig te houden. Deze bedverplaatsingen moesten in de analyse als censureringsgebeurtenissen worden behandeld en hebben waarschijnlijk elk echt effect van het systeem verwaterd. De studie vond ook plaats temidden van de spanningen van de COVID-19-pandemie, wat de incidentie van voorvallen verlaagde en verdere complexiteit toevoegde.

Wat dit betekent voor de toekomst van AI in ziekenhuizen

Voor patiënten en familieleden is de conclusie zowel voorzichtig als hoopvol. Deze goed ontworpen, praktijkgerichte trial toonde dat het simpelweg toevoegen van een passief AI-risicodisplay, zonder alarmen of strikte reactieregels, de uitkomsten zoals overlijden of spoedoverplaatsingen op deze afdelingen niet duidelijk verbeterde. Toch suggereert het feit dat clinici zwaardere patiënten naar AI-uitgeruste bedden verplaatsten dat zij waarde hechtten aan de informatie. De auteurs concluderen dat toekomstige studies naar AI-hulpmiddelen in ziekenhuizen verder moeten gaan dan nauwkeurigheid en proefgrootte: ze zouden moeten volgen hoe clinici risico-scores interpreteren, hoe teams communiceren en handelen op basis van die scores, en hoe bedtoewijzing, werklast en zeldzame voorvallen de resultaten beïnvloeden. AI kan nog steeds helpen problemen vroeg te signaleren, maar om patiënten echt veiliger te maken zullen ontwerpers en onderzoekers slimme algoritmen moeten combineren met even doordachte aandacht voor menselijk oordeel, workflow en ziekenhuiscultuur.

Bronvermelding: Keim-Malpass, J., Ratcliffe, S.J., Clark, M.T. et al. A randomized controlled trial of artificial intelligence-based analytics for clinical deterioration. Sci Rep 16, 7345 (2026). https://doi.org/10.1038/s41598-026-39051-z

Trefwoorden: klinische achteruitgang, voorspellende monitoring, ziekenhuis-AI, vroegtijdige waarschuwingssystemen, cardiologie afdeling