Quantum machine learning voor het voorspellen van anastomoselekkage: een klinische studie

Waarom deze studie ertoe doet voor patiënten en artsen

Anastomoselekkage is een gevaarlijke complicatie die kan optreden nadat chirurgen de darmen van een patiënt weer hebben verbonden; het kan leiden tot infectie, extra operaties of zelfs de dood. Deze studie stelt een actuele vraag: kunnen nieuwe, door quantumcomputers geïnspireerde hulpmiddelen artsen beter helpen te herkennen welke patiënten het meest risico lopen, vergeleken met de huidige standaard statistische en machine learning-methoden, gebruikmakend van dezelfde kleine maar zorgvuldig verzamelde ziekenhuisgegevens?

Een ernstige chirurgische complicatie begrijpen

Wanneer een deel van de darm wordt verwijderd, verbinden chirurgen de overgebleven uiteinden in een verbinding die een anastomose wordt genoemd. Als deze verbinding niet goed geneest, kunnen darminhoud en lekken in de buik terechtkomen, wat ontsteking, sepsis en een lange, risicovolle herstelperiode kan veroorzaken. In het bestudeerde ziekenhuis deden zich bij ongeveer 14 procent van de patiënten lekkages voor en waren die gekoppeld aan tot 40 procent van de chirurgiegerelateerde sterfgevallen, dus zelfs kleine verbeteringen in voorspelling kunnen levens redden. Eerder onderzoek heeft risicofactoren zoals diabetes en roken aangetoond, en heeft laten zien dat bepaalde chirurgische technieken en monitoring het risico op lekkage kunnen verlagen.

Wat de onderzoekers bij echte patiënten maten

Het team analyseerde dossiers van 200 patiënten die tussen 2015 en 2016 colorectale chirurgie ondergingen, van wie 28 een lekkage ontwikkelden. Ze begonnen met 76 gegevenspunten per patiënt, met informatie over chirurgische keuzes en medische voorgeschiedenis. Via gedetailleerde statistische tests en overleg met chirurgen brachten ze dit terug tot een kleinere set klinisch relevante factoren. Vier factoren staken er bovenuit: of een zachte rectale buis (NoCoil) werd gebruikt om druk te verlichten, of een belangrijke arterie die de darm van bloed voorziet (ACSP) werd behouden, en of de patiënt diabetes (DM) had of rookte. Met deze factoren bouwden ze zowel traditionele voorspellende modellen als quantum-neurale netwerken op de ongewijzigde, natuurlijk onevenwichtige dataset, om de echte ziekenhuisomstandigheden na te bootsen.

Hoe quantum-geïnspireerde modellen werden gebouwd en getest

Quantum-neurale netwerken zijn machine learning-modellen die worden uitgevoerd op quantumcircuits in plaats van puur klassieke code. In dit werk werden ze gesimuleerd op een conventionele computer, maar met realistische quantumhardware-ruis toegevoegd, zoals willekeurige poortfouten en beperkte meetprecisie. Patiëntinformatie werd eerst gecodeerd in quantumtoestanden en vervolgens door trainbare lagen geleid die een klein quantumcircuit nabootsen. De onderzoekers testten twee hoofdontwerpen van circuits en combineerden die met verschillende optimalisatiestrategieën, sommige met gradiënten en andere op evolutionaire zoekmethoden gebaseerd, om te zien welke combinaties het best leerden uit de data onder ruizige omstandigheden.

Vergelijking tussen quantum- en klassieke voorspellingen

De belangrijkste vergelijking werd gemaakt bij een sensitiviteit van 83 procent, een niveau gekozen om een klinische prioriteit te weerspiegelen: voorkomen dat patiënten die een lekkage ontwikkelen gemist worden, ook als dat betekent dat er meer valse alarmen zijn. Met deze sensitiviteit vastgezet bereikten sommige op quantum-neurale netwerken gebaseerde opstellingen, vooral die met het EfficientSU2-circuit met een BFGS-optimizer of het RealAmplitudes-circuit met CMA-ES, specificiteiten tot 66 procent en negatieve predictieve waarden tot 96 procent. Klassieke modellen, waaronder logistische regressie en een getunede multilayer perceptron, haalden bij dezelfde sensitiviteit ongeveer 44 procent specificiteit en 94 procent negatieve predictieve waarde. Dit betekent dat de quantumgebaseerde modellen minder fout-positieven produceerden terwijl ze nog steeds hetzelfde aandeel echte lekkages opspoorden.

Sterke punten, beperkingen en wat hierna

Hoewel quantum-neurale netwerken beter waren in het scherp scheiden van hoog- en laagrisicopatiënten, waren de klassieke modellen beter in kanskalibratie: hun voorspelde risicopercentages kwamen trouwer overeen met waargenomen uitkomsten. Dit maakt de klassieke benaderingen geschikter voor fijnmazige risicoscores, bijvoorbeeld bij het afwegen van verschillende behandelingsplannen. De studie wordt ook beperkt door de bescheiden steekproefgrootte en gegevens uit één centrum, wat elk model beter kan doen lijken dan het op nieuwe patiënten zal presteren. De auteurs benadrukken dat grotere, multicenterstudies en proeven op echte quantumhardware nodig zijn voordat dergelijke hulpmiddelen in de routinematige zorg kunnen worden vertrouwd.

Wat dit in gewone taal betekent

In eenvoudige bewoordingen toont deze studie aan dat quantumachtige machine learning, althans in simulatie, artsen kan helpen screenen op een gevaarlijke complicatie na darmoperatie en daarbij minder valse alarmen kan veroorzaken dan standaardmethoden. Traditionele modellen leveren echter nog steeds betrouwbaardere risicopercentages. Voorlopig lijken quantum-neurale netwerken veelbelovend als een extra veiligheidslaag voor vroege waarschuwing, maar ze moeten worden bevestigd in grotere patiëntengroepen en gecombineerd met duidelijke, goed gekalibreerde risicoschattingen voordat ze direct behandelbeslissingen kunnen sturen.

Bronvermelding: Novák, V., Zelinka, I., Přibylová, L. et al. Quantum machine learning for predicting anastomotic leak: a clinical study. Sci Rep 16, 15518 (2026). https://doi.org/10.1038/s41598-026-44402-x

Trefwoorden: anastomoselekkage, quantum machine learning, colorectale chirurgie, klinische risicovoorspelling, medische AI