Convolutionele neurale netwerken die preoperatieve CT gebruiken om kortetermijnrecidief na incisiebreukreparatie te voorspellen

Waarom het voorspellen van chirurgische tegenslagen belangrijk is

Als mensen een operatie ondergaan om een buikwandbreuk te herstellen die is ontstaan in een eerdere incisie, hoopt iedereen dat de reparatie duurzaam is. Toch treedt bij een duidelijk minderheid van de gevallen een recidief op, wat vaak meer pijn, een nieuwe operatie en hogere kosten betekent. Chirurgen schatten dit risico meestal op basis van ervaring en een handvol klinische factoren, maar die oordelen zijn niet perfect. Deze studie onderzoekt of een vorm van kunstmatige intelligentie, getraind op routinematige preoperatieve CT-scans, kan helpen voorspellen welke patiënten het meest waarschijnlijk een recidief krijgen na reparatie van een incisiebreuk.

Routine-scans omzetten in voorspellingen

De onderzoekers keken terug naar 528 patiënten die tussen 2016 en 2019 in een groot ziekenhuis een incisiebreuk hadden laten repareren. Allen hadden voorafgaand aan de operatie een CT-scan van de buik laten maken, waarop grootte, locatie en vorm van de breuk en omliggende weefsels zichtbaar waren. Het team extraheerde 44.380 afzonderlijke beeldslices die het hernia-gebied toonden, verwijderde alle identificerende informatie, standaardiseerde de beelden naar een uniform formaat en splitste ze in een grote trainingsset en een kleinere testset. Belangrijk is dat de computermodellen de testafbeeldingen nooit "zagen" tijdens het trainen, wat een eerlijke toetsing mogelijk maakte van hoe het systeem bij nieuwe patiënten zou presteren.

Hoe de computer leert van beelden

Om de scans te analyseren gebruikten de auteurs drie veelgebruikte deep-learning beeldmodellen, bekend als convolutionele neurale netwerken. Deze netwerken, oorspronkelijk ontwikkeld voor taken zoals het herkennen van alledaagse objecten op foto’s, blinken uit in het herkennen van patronen in complexe beelden. Tijdens het trainen werd elke CT-slice gelabeld op basis van of de hernia van de patiënt later terugkeerde of niet. De netwerken vergeleken herhaaldelijk hun voorspellingen met de werkelijke uitkomsten en pasten hun interne verbindingen aan om fouten te verminderen. Voor elke patiënt werden de voorspellingen van meerdere slices gecombineerd tot een enkele schatting van het recidiefrisico.

Welk model presteerde het beste

De drie modellen — ResNet-50, een diepere versie genaamd ResNet-152, en VGG16 — presteerden niet even goed. Getest op eerder niet geziene beelden toonde ResNet-50 de sterkste vaardigheid om patiënten die een recidief zouden krijgen te onderscheiden van degenen die dat niet deden. De prestatie, samengevat met een standaardmaat genaamd de area under the curve, was duidelijk hoger dan die van de andere twee netwerken. Statistische analyse bevestigde dat deze verschillen waarschijnlijk niet aan toeval te wijten waren. Om inzicht te krijgen in waar de netwerken op "keken" gebruikte het team ook een visualisatiemethode die de beeldgebieden benadrukt die het belangrijkst waren voor een voorspelling, waarbij bleek dat gebieden rond het breukdefect en de buikwand het zwaarst meewegen.

Wat dit kan betekenen voor patiënten en chirurgen

Als dit wordt verfijnd en gevalideerd in meerdere ziekenhuizen, zouden dergelijke beeldgebaseerde voorspellingstools een objectief second opinion kunnen toevoegen aan de beoordeling van de chirurg. Een meer nauwkeurige schatting van het recidiefrisico, berekend vóór de operatie op basis van een scan die al deel uitmaakt van de standaardzorg, zou kunnen helpen bij beslissingen over de timing van de operatie, de keuze van de chirurgische aanpak, het type en de grootte van het netwerk (mesh) en of een patiënt baat zou hebben bij behandeling in een gespecialiseerd hernia‑centrum. Patiënten met hoog risico zouden bijvoorbeeld geadviseerd kunnen worden over aanvullende maatregelen om de reparatie te versterken, terwijl patiënten met laag risico mogelijk gespaard blijven van agressievere ingrepen.

De volgende stappen zetten

De auteurs benadrukken dat dit werk een vroeg bewijs van concept is en geen afgerond klinisch hulpmiddel. De studie baseert zich op patiënten uit één ziekenhuis, gebruikt een relatief bescheiden aantal gevallen volgens deep-learningnormen en vertrouwt alleen op beeldvorming, waarbij andere belangrijke factoren zoals algemene gezondheid, eerdere operaties en chirurgische techniek buiten beschouwing blijven. Toekomstig onderzoek zal CT-afgeleide kenmerken moeten combineren met gedetailleerde klinische en operatieve gegevens, modellen moeten testen op grotere en meer diverse patiëntengroepen, en ervoor moeten zorgen dat de voorspellingen begrijpelijk en betrouwbaar zijn voor clinici. Desondanks suggereren de bevindingen dat slimme analyse van routinematige medische beelden op een dag kan helpen om herniachirurgie te personaliseren en de kans op een ongewenste tweede reparatie te verkleinen.

Bronvermelding: Xing, X., Zhao, B., Wang, M. et al. Convolutional neural networks using preoperative CT to predict short-term recurrence after incisional hernia repair. Sci Rep 16, 14601 (2026). https://doi.org/10.1038/s41598-026-44070-x

Trefwoorden: incisiebreuk, herniarecidief, deep learning, CT-beelden, chirurgische uitkomsten