Differentiëren van bacteriesoorten via realtime detectie van vluchtige organische stoffen met een golflengtemultiplex photoionisatiedetector en AI‑beeldanalyse

Waarom het ‘ruiken’ van ziektekiemen de zorg in ziekenhuizen kan veranderen

Ziekenhuizen voeren voortdurend strijd tegen infecties die patiënten oplopen tijdens de behandeling, vaak veroorzaakt door bacteriën die resistent zijn tegen gangbare antibiotica. Artsen moeten snel weten welke kiem aanwezig is om het juiste middel te kiezen, maar huidige tests kunnen dagen duren. Deze studie onderzoekt een nieuwe benadering die luistert naar de “geur” van bacteriën in realtime en kunstmatige intelligentie gebruikt om soorten van elkaar te onderscheiden, met als doel de diagnose te versnellen en de patiëntenzorg te verbeteren.

Ziektekiemen die een chemische geur achterlaten

Net zoals koffie, bloemen of verf elk een herkenbare geur uitstralen, geven bacteriën hun eigen mix van vluchtige, luchtgedragen chemicaliën af. Deze worden vluchtige organische stoffen genoemd, of VOC’s, en elke soort heeft de neiging een specifiek mengsel uit te stoten tijdens de groei. De auteurs concentreerden zich op vier veelvoorkomende ziekenhuisveroorzakers, waaronder E. coli en Staphylococcus aureus, die belangrijke oorzaken zijn van urineweg-, bloed- en longinfecties. Als deze chemische mengsels snel en betrouwbaar uitgelezen kunnen worden, zouden ze als een soort vingerafdruk kunnen dienen die onthult welke kiem aanwezig is zonder dat de bacteriën zelf aangeraakt hoeven te worden.

Een compacte sensor die onzichtbare aanwijzingen opvangt

Om deze bacteriële geuren vast te leggen, bouwde het team een klein apparaat gebaseerd op photoionisatiedetectie. Binnenin de sensor schijnen vier kleine lampjes met hoogenergetisch licht op de binnenkomende VOC’s. Elke lamp heeft een andere lichtenergie, zodat elk lampje voorkeur geeft aan een iets andere fractie van het chemische mengsel. Wanneer de chemicaliën door het licht worden geraakt, vormen ze geladen deeltjes die een zwak elektrische stroom opwekken. Over een periode van 20 minuten levert elk lampje een eigen stroomcurve op die weerspiegelt hoe de bacteriële geur in de tijd verandert. Samen vormen deze vier curven een soort meerkleurig patroon dat specifiek is voor elke soort en voor de hoeveelheid bacteriën die aanwezig is.

Sensor‑signalen omzetten in afbeeldingen voor AI

De ruwe elektrische curven zijn complex en niet makkelijk voor een mens om met het blote oog te interpreteren. De onderzoekers zetten de curven daarom om in afbeeldingen, vulden het gebied onder elke lijn in en combineerden de vier lamp‑signalen tot één beeld. Ze gebruikten vervolgens een vooraf getraind beeldherkenningsnetwerk, oorspronkelijk ontworpen om alledaagse foto’s te classificeren, en pasten het aan voor deze taak met een strategie die few‑shot learning wordt genoemd. Deze aanpak is bedoeld om te werken wanneer slechts een klein aantal voorbeelden beschikbaar is, wat vaak het geval is bij een nieuwe sensor. Het AI‑model leerde de subtiele verschillen in vorm en intensiteit te herkennen tussen afbeeldingen afkomstig van verschillende bacteriën en van verschillende concentratieniveaus.

Wat het systeem nu al kan vertellen

In tests onderscheidde de sensor de vier bacteriesoorten betrouwbaar op basis van hun VOC‑patronen en behaalde meer dan 88 procent nauwkeurigheid bij soortidentificatie. Hij ontdekte zeer lage bacterieniveaus, tot ongeveer honderd cellen per milliliter, wat overlap toont met het bereik dat gezien wordt bij beginnende bloedbaaninfecties en ver onder typische niveaus bij urineweginfecties ligt. Het systeem maakte ook onderscheid tussen lage en hoge besmettingsniveaus, een vermogen dat artsen zou kunnen helpen bepalen of een infectie significant is of nog in een vroeg stadium verkeert. Toen het team een meer gebalanceerde dataset genereerde, verbeterde de prestatie van het AI‑model nog verder, wat laat zien dat consistenterere gegevens de methode nog krachtiger zouden maken.

Wat dit voor patiënten kan betekenen

Dit werk vervangt nog niet de standaard laboratoriumtests, maar het toont aan dat het combineren van een eenvoudige, geurgebaseerde sensor met moderne AI snel kan aangeven welke bacteriën aanwezig zijn en hoe talrijk ze zijn. Omdat het apparaat compact is, geen speciale labels of complexe monsterbereiding vereist en de lucht boven een kweek direct uitleest, zou het aangepast kunnen worden voor gebruik aan het bed of dicht bij de patiënt. In de toekomst zouden soortgelijke hulpmiddelen artsen kunnen helpen sneller te reageren op ziekenhuisinfecties, behandelingen preciezer af te stemmen en het onnodig gebruik van breedspectrumantibiotica te verminderen, wat betere uitkomsten voor patiënten kan ondersteunen.

Bronvermelding: Costa, S.P., Cardoso, A., Mahmoodnia, H. et al. Bacterial species differentiation via real-time detection of microbial volatile organic compounds using a wavelength multiplexed photoionization detector and AI image-based analysis. Sci Rep 16, 15924 (2026). https://doi.org/10.1038/s41598-026-46818-x

Trefwoorden: bacteriedetectie, vluchtige organische stoffen, photoionisatiesensor, kunstmatige intelligentie, infecties in de gezondheidszorg