Voorspellingsmodel voor de behoefte aan een aanvullende ingreep bij flexibele ureterorenoscopie met uitlegbare kunstmatige intelligentie

Waarom het voorspellen van een tweede steenoperatie belangrijk is

Niersteenoperatie wordt vaak afgeschilderd als een eenmalige oplossing, maar meer dan een kwart van de patiënten die een moderne keyhole-procedure ondergaan, de flexibele ureterorenoscopie, heeft toch nog een tweede behandeling nodig. Deze studie onderzoekt of kunstmatige intelligentie artsen kan helpen voorspellen welke patiënten waarschijnlijk een aanvullende ingreep nodig zullen hebben, door details uit scans en de operatie zelf te gebruiken om de planning te sturen en patiënten extra stress, kosten en hersteltijd te besparen.

Hoe nierstenen tegenwoordig worden behandeld

Met flexibele ureterorenoscopie kunnen chirurgen stenen in de nier bereiken door een dunne camera en laser door de natuurlijke urineweg te leiden. Het is minder invasief dan oudere chirurgische methoden en is voor veel stenen de eerstekeuzebehandeling geworden. Toch is volledige verwijdering niet altijd mogelijk. Sommige patiënten blijven met fragmenten achter die later pijn, infectie of blokkade veroorzaken, wat herhaalde endoscopie, shockwave-therapie of meer invasieve chirurgie noodzakelijk maakt. Bestaande scoresystemen proberen succes te voorspellen, maar gebruiken vaak slechts een paar meetwaarden en hebben moeite wanneer patiënten sterk verschillen in anatomie en steeneigenschappen.

Een nieuwe manier om van eerdere patiënten te leren

De onderzoekers analyseerden gegevens van 656 personen die in een periode van tien jaar een flexibele ureterorenoscopie ondergingen. Voor elke patiënt verzamelden zij leeftijd, geslacht, steengrootte en locatie, details uit CT-scans, bloed- en urineresultaten en technische keuzes zoals de grootte van de toegangsdit en of een zuigondersteund apparaat werd gebruikt. Vervolgens trainden en vergeleken zij veertien verschillende computerleermethoden, van eenvoudige logistische regressie tot complexere boomgebaseerde en boosting-modellen, om te voorspellen of een patiënt uiteindelijk een niet-geplande aanvullende ingreep nodig had.

Een belangrijke bocht in de nier

De opvallendste vondst was geen laboratoriumwaarde of steengrootte, maar een hoek in de nier waar het centrale opvanggebied samenkomt met de nauwe buis die urine naar de blaas afvoert. Wanneer deze bocht, de ureteropelvische overgangs-hoek, scherp in plaats van open was, steeg het risico op een aanvullende ingreep drastisch. Patiënten met een hoek onder 110 graden hadden een aanvullende operatiekans van meer dan vier op de vijf, terwijl zij met een wijzere hoek zelden verdere behandeling nodig hadden. Dit patroon gold voor verschillende steenlocaties binnen de nier, wat suggereert dat dit enkele anatomische kenmerk vastlegt hoe gemakkelijk instrumenten en steenfragmenten kunnen passeren.

Instrumenten en instellingen die de kansen kunnen doen kantelen

Naast anatomie beïnvloedden bepaalde keuzes tijdens de operatie ook de uitkomst. Grotere toegangsleidingen, die de vloeistofstroom verbeteren en helpen fragmenten te verwijderen, waren gekoppeld aan minder aanvullende ingrepen, vooral in nieren met een scherpere bocht. Een nieuwer, zuiggestuurd toegangstoestel bleek ook beschermend, waarschijnlijk omdat het afval efficiënter helpt afvoeren. De AI-modellen uit de studie benadrukten consequent deze factoren als invloedrijk, terwijl ze ook bevestigden dat grotere of meerdere stenen de uitdaging blijven vergroten. Door uitlegbare technieken te gebruiken, konden de auteurs niet alleen laten zien hoe nauwkeurig de modellen waren, maar ook welke invoergegevens elke voorspelling aanstuurden en in welke richting.

Wat dit betekent voor patiënten en artsen

Het werk suggereert dat een eenvoudige meting op een preoperatieve CT-scan, gecombineerd met een paar belangrijke chirurgische keuzes, een duidelijk beeld kan geven van wie waarschijnlijk meer dan één niersteenprocedure nodig zal hebben. Voor patiënten kan dit beter advies over risico’s betekenen, meer op maat gemaakte behandelingkeuze en slimmer gebruik van nieuwere hulpmiddelen die moeilijke anatomie kunnen compenseren. Voor clinici zou een gebruiksvriendelijke calculator gebaseerd op deze modellen besluitvorming kunnen ondersteunen zonder het oordeel te vervangen, waardoor elke patiënt meteen het meest geschikte plan kan krijgen.

Bronvermelding: Çoban, F., Kutlu, H. & Kalyenci, B. Prediction model for additional procedure requirement in flexible ureterorenoscopy using explainable artificial intelligence. Sci Rep 16, 15292 (2026). https://doi.org/10.1038/s41598-026-46898-9

Trefwoorden: nierstenen, flexibele ureterorenoscopie, ureteropelvische hoek, machine learning, operatieplanning