Bouwen en valideren van machine learning-modellen om appendiculaire perforatie te voorspellen tijdens conservatieve behandeling van fecalith-geassocieerde appendicitis: een multicentrische retrospectieve analyse met 20 algoritmen

Waarom dit belangrijk is voor mensen met buikpijn

Appendicitis is een van de meest voorkomende redenen voor spoedoperaties, maar veel patiënten worden tegenwoordig eerst met antibiotica behandeld in plaats van onmiddellijk geopereerd. Voor mensen waarvan het appendix een harde, steenachtige plug van stoelgang bevat — een fecalith — kan die keuze risicovol zijn, omdat de appendix meer kans heeft te perforeren. Deze studie stelt een vraag die van belang is voor elke patiënt en arts die voor die beslissing staat: kunnen we vroegtijdig en veilig vaststellen wie veilig op medicatie kan blijven en wie een reëel gevaar loopt op een gevaarlijke perforatie?

De uitdaging van een geblokkeerde appendix

Artsen weten al jaren dat appendicitis anders verloopt wanneer een fecalith de smalle buis van de appendix blokkeert. De blokkade verhoogt de druk, beperkt de bloedtoevoer en voedt de infectie, factoren die de kans op ruptuur vergroten, zelfs als snel met antibiotica wordt gestart. Gewone klinische scoringssystemen voor appendicitis zijn echter ontwikkeld voor alle patiënten en niet specifiek voor die met fecaliths, en ze voorspellen perforatie niet erg goed bij deze hoger-risico groep. Die onzekerheid zet clinici in een dilemma: te vaak opereren met de bijbehorende risico's en kosten, of te lang wachten en een gesprongen appendix riskeren.

Patronen gebruiken in ziekenhuisgegevens

De onderzoekers verzamelden dossiers van 1.247 volwassenen die zonder onmiddellijke operatie werden behandeld voor fecalith-geassocieerde appendicitis in vier grote ziekenhuizen tussen 2018 en 2023. Ongeveer één op de zeven liep binnen drie dagen een perforatie op. Voor elke patiënt verzamelde het team eenvoudige informatie die al deel uitmaakt van de routinematige zorg: leeftijd, vitale functies, bloedtesten die ontsteking aantonen, en CT-metingen van de appendix en de fecalith. Vervolgens trainden zij 20 verschillende computeralgoritmen om patronen te herkennen die deze kenmerken koppelen aan wie wel en niet een perforatie kreeg, waarbij een deel van de data werd gereserveerd om de modellen eerlijk te testen.

Het winnende risicovoorspellingsinstrument

Van alle benaderingen presteerde een familie methoden die veel beslisbomen combineren, bekend als gradient boosting, het best. Na een stap van kenmerkselectie berustte het uiteindelijke hulpmiddel op acht gemakkelijk beschikbare gegevenspunten, waaronder de grootte van de fecalith, bloedspiegels van C-reactief proteïne en witte bloedcellen, en hoe dik en breed de appendix op CT leek. In de hoofdtestgroep scheidde het model hoge- en lage-risicopatiënten correct met een uitstekende nauwkeurigheidsmaat (AUC ongeveer 0,89). Opvallend was dat wanneer het model iemand als laag risico inschatte, het in meer dan 96 procent van de gevallen correct was dat die persoon niet zou perforeren, wat sterke geruststelling biedt voor voortgezette conservatieve behandeling.

Cijfers omzetten in duidelijke risicogroepen

Om het hulpmiddel praktisch aan het bed te maken, zette het team de ruwe waarschijnlijkheidsscores om in drie eenvoudige niveaus. Patiënten met een voorspeld risico onder 30 procent werden als laag risico geëtiketteerd en hadden slechts een werkelijke perforatiegraad van 3,8 procent. Degenen tussen 30 en 60 procent behoorden tot de matige risicogroep, met ongeveer één op de vier die perforeren. Boven 60 procent waren hoogrisicopatiënten, van wie meer dan zeven op de tien alsnog perforeren. Voorgestelde acties volgen deze trap: routinematige monitoring voor de laag-risicogroep, intensievere observatie en herhaalde tests voor de middelste groep, en vroege of urgente chirurgie voor patiënten met het hoogste risico. Een aparte set van 225 patiënten uit een vijfde ziekenhuis, niet gebruikt om het model te bouwen, liet een vergelijkbare prestatie zien, wat suggereert dat de aanpak buiten de oorspronkelijke centra kan werken.

Wat dit betekent voor patiënten en artsen

In praktische termen laat deze studie zien dat een computer, getraind op gewone laboratoriumtesten en CT-vindings, artsen veel duidelijker vroegtijdig kan waarschuwen welke patiënten met een geblokkeerde appendix in reëel gevaar zijn als ze alleen op antibiotica blijven. Hoewel het hulpmiddel niet perfect is, is het bijzonder sterk in het identificeren van mensen die veilig kunnen worden afgewacht en behandeld zonder te haasten naar de operatiekamer. Met verdere tests in verschillende ziekenhuizen en gebruik in realtime kunnen zulke modellen meer gepersonaliseerde beslissingen ondersteunen, waardoor veel patiënten onnodige chirurgie kunnen vermijden en tegelijk wordt gegarandeerd dat degenen met het hoogste risico tijdig een operatie krijgen voordat de appendix barst.

Bronvermelding: Zhu, Y., Feng, J., Liu, R. et al. Building and validating machine learning models to predict appendiceal perforation during conservative treatment of fecalith-associated appendicitis: a 20-algorithm multicenter retrospective analysis. Sci Rep 16, 11728 (2026). https://doi.org/10.1038/s41598-026-47372-2

Trefwoorden: appendicitis, machine learning, risicovoorspelling, conservatieve behandeling, gradient boosting