Een machine learning-model voor voorspelling van postoperatieve sepsis bij acute chirurgische patiënten: een multicentrische prospectieve studie

Waarom dit belangrijk is voor patiënten en familie

Sepsis is een levensbedreigende reactie op een infectie die kan optreden na een spoedoperatie, vooral bij oudere volwassenen. Artsen weten dat het vroeg onderkennen van sepsislevens kan redden, maar het is lastig in te schatten wie het meest kwetsbaar is in de hectiek voorafgaand aan een dringende ingreep. Deze studie onderzoekt of computergebaseerde patroonherkenning — een tak van kunstmatige intelligentie genaamd machine learning — routinematige ziekenhuisgegevens kan doorzoeken om oudere patiënten te signaleren die waarschijnlijk sepsis ontwikkelen na een spoedoperatie, zodat teams meer tijd krijgen om in te grijpen.

Sepsis en de gevaren na een spoedoperatie

Sepsis is een belangrijke doodsoorzaak wereldwijd, gekoppeld aan miljoenen gevallen en enkele miljoenen sterfgevallen per jaar. Een spoedoperatie legt extra druk: patiënten zijn vaak ouder, fragieler en bij aankomst al ernstig ziek. Infecties kunnen zich snel ontwikkelen of verergeren na de ingreep, en de symptomen kunnen lijken op een normale postoperatieve herstelperiode totdat de patiënt plots verslechtert. Traditionele checklists en scores helpen, maar ze zijn niet specifiek ontworpen voor oudere mensen die een dringende operatie nodig hebben, en ze kunnen degenen met het hoogste risico missen.

Routinematige ziekenhuisgegevens omzetten in vroege waarschuwingssignalen

De onderzoekers gebruikten informatie uit een grote Italiaanse studie van patiënten van 65 jaar en ouder die spoedoperaties ondergingen in 29 ziekenhuizen. Van meer dan 150 geregistreerde items focusten ze alleen op gegevens die vóór de operatie beschikbaar waren, zoals leeftijd, bestaande aandoeningen, functionele status, vitale functies, basale bloedtesten en maten van kwetsbaarheid. Patiënten werden als sepsis-gevallen of niet gelabeld op basis van een bedscore genaamd qSOFA, die ademhalingsfrequentie, bloeddruk en bewustzijnsniveau gebruikt om gevaarlijke infectie te signaleren. In totaal werden 2563 patiënten geanalyseerd, van wie 119 na de operatie voldeden aan de criteria voor sepsis.

Hoe de computermodellen zijn opgebouwd en getest

Het team vergeleek verschillende typen machine learning-modellen, waaronder logistieke regressie, k-nearest neighbors, random forests en gradient-boosted trees. Om zichzelf niet te misleiden gebruikten ze een strikte tweelaagse testmethode bekend als geneste cross-validatie: voor elke run hielden ze een deel van de patiënten achter als testgroep en stemden ze de modellen alleen af op de overgebleven gevallen. Ze gingen ook om met het feit dat sepsis relatief zeldzaam was door de data zorgvuldig te balanceren, kleine gegevensgaten in te vullen en metingen te standaardiseren. De prestatiebeoordeling gebeurde met bekende begrippen zoals nauwkeurigheid — hoe vaak het model het in totaal bij het rechte eind had — en sensitiviteit en specificiteit, die aangeven hoe vaak het sepsis correct opmerkt of uitsluit.

Wat de modellen onthulden over sepsisrisico

Alle machine learning-modellen presteerden duidelijk beter dan een eenvoudige strategie die ervan uitgaat dat niemand sepsis zal ontwikkelen. Onder de individuele modellen boden random forests en gradient-boosted trees de beste combinatie van het correct signaleren van sepsis en het minimaliseren van valse alarmen, met een totale nauwkeurigheid boven 95 procent en een sterke capaciteit om hoogrisico- van laagrisicopatiënten te onderscheiden. De onderzoekers combineerden de vier hoofdmodellen ook in één ensemble dat een meerderheidsstem gebruikte van hun voorspellingen. Deze gecombineerde aanpak bereikte een zeer hoge nauwkeurigheid, sterke sensitiviteit en uitstekende geruststelling wanneer een patiënt als laag risico werd aangemerkt, wat betekent dat zeer weinig mensen die later sepsis ontwikkelden door het vroege waarschuwingssysteem werden gemist.

Wat dit in het ziekenhuis zou kunnen betekenen

Als dit in toekomstige studies wordt bevestigd, zou dit soort presurgery-risikogereedschap chirurgische teams een praktisch datagestuurd overzicht kunnen bieden. Voordat een oudere persoon de operatieruimte binnenkomt, zou het model stilletjes hun routinematige gegevens kunnen scannen en aangeven wie meer monitoring, vroegere antibiotica of een andere postoperatieve zorg nodig heeft. Het kan beslissingen sturen over waar een patiënt herstelt, zoals een reguliere verpleegafdeling of een intensievere unit, en ziekenhuizen helpen beperkte staf en middelen te richten op degenen die het meest waarschijnlijk een ernstige infectie ontwikkelen. De studie beweert niet dat het model klaar is voor dagelijks gebruik, maar toont aan dat machine learning informatie die al bij spoedoperaties wordt verzameld, kan omzetten in betekenisvolle vroege waarschuwingssignalen voor sepsisrisico.

Bronvermelding: Fransvea, P., Liuzzi, P., Costa, G. et al. A machine learning model for post-operative sepsis prediction in acute surgical patients: a multi-centre, prospective study. Sci Rep 16, 15651 (2026). https://doi.org/10.1038/s41598-026-46040-9

Trefwoorden: postoperatieve sepsis, spoedoperatie, oudere patiënten, machine learning, risicovoorspelling