Een kostengevoelig multiclass machine learning-kader voor postoperatieve neurochirurgische triage (Neuro-TACTIC)

Waarom dit belangrijk is voor patiënten en ziekenhuizen

Na een hersentumoroperatie moeten artsen snel beslissen waar een patiënt moet herstellen: een gewone verpleegafdeling, een afdeling voor intensieve monitoring of de intensive care. Iedereen naar de intensive care sturen voelt het veiligst, maar is extreem kostbaar en legt druk op het beperkte personeel. Te weinig patiënten daarheen sturen kan vroege signalen van ernstige problemen missen. Deze studie introduceert een nieuw computerondersteund hulpmiddel, Neuro-TACTIC genoemd, dat ziekenhuizen helpt veiligheid voor patiënten af te wegen tegen schaarse middelen op een transparante en instelbare manier.

De uitdaging van het vinden van het juiste bed

Neurochirurgische patiënten zijn kwetsbaar voor plotselinge complicaties zoals bloedingen, hersenoedeem of ademhalingsproblemen. Veel ziekenhuizen plaatsen hen daarom standaard op de intensive care na de operatie, hoewel slechts een minderheid daadwerkelijk dat niveau van ondersteuning nodig heeft. Vroegere voorspellingshulpmiddelen zagen de beslissing meestal als een simpele ja-of-nee-keuze: intensive care versus alles daarbuiten. Ze optimaliseerden ook voor abstracte statistische nauwkeurigheid, zonder duidelijk de reële gevolgen van overmatig of onvoldoende gebruik van intensive care-bedden te weerspiegelen.

Een zorgladder met drie treden

Neuro-TACTIC herformuleert het probleem als een driedelige ladder: gewone verpleegafdeling, intermediate-care en intensive care. De onderzoekers analyseerden dossiers van 1.072 volwassenen die een geplande hersentumoroperatie ondergingen en een aanvullende groep van 81 patiënten uit een latere periode. Voor elk persoon verzamelden ze 27 gegevenspunten, waaronder leeftijd, bodymassindex, bestaande aandoeningen, grootte en locatie van de tumor en details uit de operatie zelf, zoals de duur en de positie van de patiënt. Vervolgens trainden ze een machine-learningmodel (een boosted decision-tree systeem) om te voorspellen welk niveau van monitoring elke patiënt achteraf werkelijk nodig had, op basis van de gebeurtenissen en complicaties die zich voordeden.

Een prijs plakken op bedden en gemiste problemen

Een centraal idee in Neuro-TACTIC is een instelbare parameter, aangeduid met ζ, waarmee ziekenhuizen kunnen aangeven hoe ze veiligheid versus middelen waarderen. Het model gebruikt twee onzichtbare scoringskaarten: de ene beschrijft hoe personeelintensief elk zorgniveau is, waarbij verpleegkundige-tot-patiëntverhoudingen als proxy voor kosten dienen; de andere beschrijft hoe schadelijk het is als een patiënt die hogere zorg nodig heeft te laag wordt geplaatst. Door deze twee scorekaarten te mengen met de schuifregelaar ζ kan het hulpmiddel worden afgesteld om ofwel personeel te besparen ofwel gemiste complicaties te vermijden. Wanneer ζ erg laag staat, stuurt het model bijna iedereen naar de gewone verpleegafdeling. Naarmate ζ wordt verhoogd, worden meer patiënten eerst naar intermediate care verwezen en bij hogere instellingen naar intensive care. Belangrijk is dat dit vloeiende gedrag vergelijkbaar was in zowel de hoofdgroep als de onafhankelijke patiëntengroep, wat suggereert dat de regels stabiel zijn in plaats van broos.

Wat de computer leerde over risico

Om het systeem begrijpelijk te houden, onderzocht het team welke patiëntkenmerken de beslissingen van het model het meest beïnvloedden. Over verschillende methoden om belang te meten kwamen vijf factoren consequent naar voren: operatieduur, tumorgrootte, positie van de patiënt tijdens de operatie, bodymassindex en leeftijd. Langere operaties en grotere tumoren duwden de voorspellingen naar intensiever monitoren. Deze bevindingen komen overeen met eerdere medische studies die deze factoren ook als belangrijke risicokenmerken noemden, wat geloofwaardigheid aan het gedrag van het model toevoegt. Sommige van deze gegevens — met name de uiteindelijke operatieduur — zijn echter pas na afloop van de ingreep bekend, dus de huidige versie is het meest geschikt om te beslissen waar een patiënt direct na de operatie heen moet, niet voor planning dagen van tevoren.

Wat dit vooruit betekent

Neuro-TACTIC is nog niet klaar om zelfstandig zorg te sturen, maar toont aan dat een driedelige, instelbare benadering van postoperatieve plaatsing technisch haalbaar is. Het model bereikt een matige nauwkeurigheid in het onderscheiden van laag-, midden- en hoogrisicopatiënten en gedraagt zich consistent wanneer de veiligheid-versus-kosten-schuif wordt verplaatst. Voor patiënten en ziekenhuizen is de langetermijnbelofte een beslisondersteuning die kan worden afgestemd op lokale personeelsbezetting en risicotolerantie, waardoor intensive care-bedden naar degenen gaan die ze het meest nodig hebben, terwijl anderen veilig herstellen op minder intensieve afdelingen. Voordat dat mogelijk is, benadrukken de auteurs dat grotere, multiziekenhuisstudies en real-world tests nodig zijn om zowel medische voordelen als besparingen op middelen te bevestigen.

Bronvermelding: Naser, P.V., Fischer, M., Peregrino, R.D. et al. A cost-sensitive multiclass machine learning framework for postoperative neurosurgical triage (Neuro-TACTIC). Sci Rep 16, 9847 (2026). https://doi.org/10.1038/s41598-026-45092-1

Trefwoorden: neurochirurgische triage, intensive care, postoperatieve monitoring, machine learning, toewijzing van zorgmiddelen