Respiratoire fysiologie na terugleggen na buikligging tijdens beademing om 28-dagen mortaliteit te voorspellen bij mechanisch beademde patiënten: een machine learning-analyse

Waarom omdraaien van patiënten ertoe doet

Tijdens de COVID-19-crisis legden artsen die de ziekste patiënten aan de beademing verzorgden hen vaak op hun buik, een manoeuvre die prone positioning wordt genoemd. Deze eenvoudige verandering van houding kan verbeteren hoe lucht en bloed door beschadigde longen stromen. Maar het is arbeidsintensief voor het personeel en niet zonder risico’s. Deze studie stelt een praktische vraag met levens-of-doodgevolgen: nadat een patiënt weer op de rug is gelegd, kan het gedrag van de longen artsen helpen voorspellen wie waarschijnlijk de komende maand zal overleven — en sturen of men moet doorgaan met deze manoeuvre of overstappen op andere behandelingen?

Hoe artsen momenteel een draaibehandeling beoordelen

Op intensivecareafdelingen wordt succes van het op de buik leggen van een patiënt meestal beoordeeld aan de hand van één getal dat weergeeft hoe goed zuurstof vanuit de lucht in het bloed terechtkomt. Als dat getal snel stijgt, wordt de sessie vaak als succesvol beschouwd; zo niet, dan stoppen sommige teams met verdere sessies. Deze focus op zuurstof alleen kan echter andere belangrijke tekenen van longbelasting of verborgen schade missen. De auteurs van deze studie vermoedden dat wat enkele uren na het terugleggen op de rug gebeurt, meer kan onthullen over of de longen echt hersteld zijn of slechts een kortstondige verbetering hebben getoond.

Duiken in real-world ICU-gegevens

Om dit te onderzoeken gebruikten de onderzoekers een grote Nederlandse database van volwassenen met ernstige COVID-19 die mechanische ventilatie op de IC nodig hadden. Ze selecteerden 522 patiënten die een duidelijk verloop hadden doorgemaakt: eerst op de rug liggen, daarna op de buik, en vervolgens weer op de rug, allemaal binnen de eerste beademingsperiode en met de buikligging korter dan 24 uur. Voor iedere persoon verzamelden ze metingen van bloedgassen en van hoe stijf of rekbaar de longen waren gedurende de vier uur vóór het draaien naar buikligging en gedurende de vier uur na het terugleggen. Vervolgens gebruikten ze moderne computertechnieken, waaronder een methode genaamd machine learning, om te zien of patronen in deze cijfers de dood binnen 28 dagen na het begin van de beademing konden voorspellen.

Wat de cijfers over de longen onthulden

Toen de onderzoekers overlevers en niet-overlevers vergeleken, vonden ze dat traditionele metingen genomen vóór het draaien naar buikligging vrij gelijk waren tussen de groepen. De verschillen werden zichtbaar nadat patiënten weer op hun rug waren gelegd. Degenen die binnen 28 dagen overleden hadden vaak nog hogere zuurstofinstellingen op de beademing nodig, toonden slechtere zuurstofoverdracht van lucht naar bloed, en hadden aanwijzingen dat een groter deel van hun adem niet deelnam aan gasuitwisseling — een aanwijzing voor afwijkende of niet-opgevulde longregio’s. Hun longen leken ook stijver, waardoor de beademing met meer druk per ademhaling moest werken. Daarentegen toonden overlevers vaker aanhoudende verbeteringen in zuurstofoverdracht en konden zij met minder zuurstof worden ondersteund, wat wijst op succesvollere rekrutering van eerder ineengezakte longgebieden.

Computers laten overlevingspatronen vinden

Aangezien veel van deze longmetingen op complexe manieren aan elkaar gerelateerd zijn, gebruikte het team machine learning-modellen om ze te combineren. Ze beperkten eerst de meest informatieve metingen, en trainden vervolgens verschillende types modellen op een deel van de patiëntengroep en testten ze op de rest. Geen enkel model was perfect, maar alle konden overlevenden beter van niet-overlevenden onderscheiden dan toeval. Een model dat bekendstaat als XGBoost presteerde het beste in het algemeen, met een goed evenwicht tussen het vinden van de meeste patiënten die zouden overlijden en het voorkomen van te veel valse alarmen. Bepaalde kenmerken — vooral de verhouding tussen zuurstof in het bloed en de toegediende zuurstof, het aandeel verspilde adem dat geen gas uitwisselde, hoe rekbaar de longen waren en de hoeveelheid zuurstof die de beademing nog moest leveren — waren het belangrijkst voor de voorspellingen.

Wat dit betekent voor beslissingen aan het bed

Voor patiënten en hun families is de kernboodschap dat het gedrag van de longen na een draaibehandeling artsen mogelijk meer kan vertellen over de waarschijnlijkheid van overleven dan de onmiddellijke, vaak gevierde, verbetering in zuurstof die zichtbaar is terwijl de patiënt op de buik ligt. Deze studie suggereert dat een korte set routinemetingen — genomen enkele uren na het terugleggen op de rug — kan helpen patiënten in hogere- en lagere-risicogroepen te onderscheiden, ook al is de voorspelling verre van perfect. Terwijl de computermodellen grotere en gevarieerdere gegevens nodig hebben om echt betrouwbaar en gebruiksvriendelijk te worden, wijzen ze op een toekomst waarin beslissingen over het voortzetten van proning, het proberen van andere reddingsbehandelingen of het aanpassen van ventilatorinstellingen worden gestuurd door een rijker beeld van longfunctie in plaats van één enkel zuurstofgetal.

Bronvermelding: Lijović, L., Dam, T.A., Baek, M.S. et al. Respiratory physiology after resupination following prone ventilation to predict 28-day mortality in mechanically ventilated patients: a machine learning analysis. Sci Rep 16, 8188 (2026). https://doi.org/10.1038/s41598-026-39336-3

Trefwoorden: acute respiratory distress syndrome, buikligging, mechanische ventilatie, COVID-19 IC, machine learning voorspelling