AI-gebaseerde detectie van Certas Plus shuntklepinstellingen in CT-scans

Waarom dit van belang is voor mensen met hersenvochtdrains

Veel mensen met een aandoening die hydrocefalus heet, zijn afhankelijk van kleine geïmplanteerde buisjes, shunts genoemd, om overtollig vocht uit de hersenen af te voeren. Deze shunts bevatten een kleine verstelbare klep die artsen als een draaiknop kunnen instellen om te bepalen hoeveel vocht wordt verwijderd. Als de instelling verkeerd is of de klep niet goed functioneert, kunnen patiënten erg ziek worden, en artsen hebben vaak snel antwoord nodig uit hersenscans. Deze studie onderzoekt of kunstmatige intelligentie (AI) die klepinstellingen direct uit routinematige CT-scans kan aflezen, wat mogelijk tijd, extra tests en zelfs ziekenhuisverplaatsingen kan besparen.

De uitdaging van het aflezen van een klein draaiknopje in het hoofd

Voor patiënten met verstelbare shunts is het essentieel om de huidige klepinstelling te kennen. De instelling kan per ongeluk veranderen, bijvoorbeeld na blootstelling aan sterke magneten in MRI-apparaten, wat kan leiden tot te veel of te weinig vochtafvoer. In theorie kunnen artsen de instelling zien op speciale röntgenfoto’s of met een handmatig meetinstrument, maar in de praktijk is vaak alleen een CT-scanner direct beschikbaar in veel ziekenhuizen. Helaas maken metalen onderdelen in de shunt en de driedimensionale aard van CT-beelden het moeilijk om de kleine indicator af te lezen, zelfs voor ervaren neurochirurgen. In deze studie richtten de onderzoekers zich op één veelgebruikt model, de Certas Plus-klep, en vroegen ze of een AI-systeem betrouwbaar de instelling kon bepalen uit standaard CT-scans.

CT-beelden omzetten in een eenvoudige hoek

Het team verzamelde over zeven jaar 391 hoofd-CT-scans van patiënten met Certas Plus-kleppen. Voor elke scan zorgden ze dat de gedocumenteerde klepinstelling in het medische dossier overeenkwam met wat twee neurochirurgen in de beelden zagen, waarmee een betrouwbare grondwaarheid werd gecreëerd. Vervolgens gebruikten ze een modern type AI voor 3D-beelden, een U-vormig neuraal netwerk, om een computer te leren vijf kleine metalen markeringen binnen elke klep te vinden. Zodra deze markeringen waren gelokaliseerd, berekende aangepaste software het centrum van elk merkpunt en reconstrueerde de oriëntatie van de klep. Door de lijn door twee speciale magneten te vergelijken met de lijn door andere referentiemarkeringen, mat de software een hoek, die vervolgens kon worden vertaald naar een van de acht mogelijke klepinstellingen.

Hoe goed de computer overeenkwam met de werkelijke instellingen

In een aparte testgroep van 75 CT-scans vond het AI-systeem de markeringen en berekende het een hoek in 97,3% van de gevallen. Het voorspelde de exact gedocumenteerde klepinstelling in 81,3% van de scans. Belangrijk is dat wanneer het systeem “fout” zat, het bijna altijd een instelling koos die direct naast de werkelijke op de wijzerplaat lag, en nooit sprong van een zeer lage doorstroominstelling naar een volledig afgesloten stand. Omdat de klep zelf continu tussen de gelabelde posities kan worden ingesteld, hebben zelfs de officiële hulpmiddelen soms moeite om aangrenzende instellingen te onderscheiden. Wanneer de onderzoekers een voorspelling als acceptabel telden als deze de juiste instelling was of één stap ernaast, steeg de totale prestatie naar 96%, wat zij aandragen als betekenisvol voor alledaagse klinische beslissingen.

Wat dit zou kunnen veranderen in de dagelijkse zorg

De zorg voor hydrocefalus is kostbaar, en een belangrijke kostenpost ontstaat door het overplaatsen van patiënten tussen ziekenhuizen voor gespecialiseerde tests. Als een routinematige CT-scan in een klein ziekenhuis automatisch geanalyseerd kan worden om te bevestigen dat de klepinstelling redelijk is, kunnen sommige van deze overplaatsingen mogelijk worden vermeden. Het AI-model genereert ook gekleurde omtrekken van de kleponderdelen in het beeld, zodat clinici visueel kunnen controleren en verifiëren wat de computer heeft gedaan in plaats van blind te vertrouwen op één getal. Hoewel de studie in één centrum werd uitgevoerd met CT-scanners van voornamelijk één fabrikant, suggereren de resultaten dat geautomatiseerd aflezen van shuntklepinstellingen technisch haalbaar is.

Waar dit mogelijk naartoe leidt

De auteurs concluderen dat AI betrouwbaar de instellingen van Certas Plus-shuntkleppen op CT-scans kan identificeren, met een nauwkeurigheid die kan wedijveren met menselijke experts en waarschijnlijk goed genoeg is om de klinische zorg te ondersteunen. Zij benadrukken dat grotere, multicenter studies nodig zijn om te bevestigen dat de methode werkt bij verschillende scanners en patiëntpopulaties, en om het aan te passen aan andere kleptypes of patiënten met meer dan één klep. Als die inspanningen slagen, zouden toekomstige patiënten met hydrocefalus hun klepinstellingen snel en veilig kunnen laten controleren op scans die ze toch al krijgen, waardoor extra beeldvorming wordt verminderd en artsen shuntproblemen eerder kunnen opsporen.

Bronvermelding: Scheffler, P., Shah, M., Amirah, R. et al. AI-based detection of Certas Plus shunt valve settings in CT scans. Sci Rep 16, 9647 (2026). https://doi.org/10.1038/s41598-026-45388-2

Trefwoorden: hydrocefalus, cerebrospinale vloeistofshunt, computertomografie, medische beeldvorming AI, programmeerbare klep