Ontwikkeling en multicenter‑validatie van een uitlegbare machine‑learning diagnosecriteria voor pediatrische abdominale sepsis

Waarom dit belangrijk is voor zieke kinderen

Wanneer een kind met hevige buikpijn en een infectie in het ziekenhuis verschijnt, moeten artsen snel beslissen wie echt in gevaar is. Als abdominale sepsis – een levensbedreigende infectie in de buikstreek – wordt gemist of te laat herkend, kunnen kinderen in orgaanfalen terechtkomen en kan behandeling niet meer effectief zijn. Deze studie beschrijft een nieuw computerondersteund instrument, gebouwd op echte ziekenhuisgegevens, dat artsen helpt abdominale sepsis bij kinderen eerder en betrouwbaarder te herkennen, gebruikmakend van bloedonderzoeken en vitale functies die al dagelijks worden verzameld.

De verborgen dreiging in de buik

Sepsis is een van de belangrijkste doodsoorzaken bij kinderen wereldwijd, en infecties die in de buik beginnen behoren tot de gevaarlijkste vormen. Huidige sepsisregels en scoringssystemen zijn grotendeels voor volwassenen ontwikkeld en richten zich sterk op long- en hartproblemen. Tegen de tijd dat die tekenen bij een kind ernstig lijken, kan de schade aan buikorganen, de lever of darmen al groot zijn. Bestaande pediatrische hulpmiddelen hebben ook moeite om abdominale sepsis vroeg genoeg op te merken om tijdige chirurgie of agressieve behandeling te sturen. De auteurs betogen dat kinderen met vermoedelijke buikziekte een diagnostisch hulpmiddel nodig hebben dat specifiek is afgestemd op dit type infectie.

Routineonderzoek omzetten in een slimme alarmfunctie

Het onderzoeksteam verzamelde elektronische medische dossiers van meer dan 22.000 kinderen die tussen 2019 en 2023 in een groot kinderziekenhuis in China werden behandeld, met focus op 6.566 patiënten met buikproblemen zoals appendicitis of darmobstructie. Binnen deze groep beoordeelden specialisten zorgvuldig dossiers, beeldvorming, operaties, medicatie en follow‑upnotities om te bepalen welke kinderen daadwerkelijk pediatrische abdominale sepsis (PAS) hadden. Ze gebruikten een ‘active learning’-benadering: een kleine steekproef werd gelabeld door drie ervaren artsen, een voorlopig model werd getraind, en dat model suggereerde vervolgens nieuwe, onzekere gevallen die de artsen opnieuw beoordeelden, waardoor de dataset herhaaldelijk werd verfijnd en meningsverschillen afnamen.

Negen eenvoudige signalen met sterke voorspellende waarde

Uit tientallen laboratoriumwaarden en vitale functies gemeten tijdens de eerste 24 uur na opname zochten de onderzoekers naar de combinatie die sepsis het best onderscheidde van andere buikziekten. Ze kwamen uit op negen alledaagse metingen: hartslag; witte bloedcel‑aantal; absoluut neutrofielen‑aantal; een levergerelateerd enzym genaamd γ‑glutamyltransferase; een ander leverenzym (AST); de verhouding tussen twee bloedproteïnen (albumine en globuline); prealbumine; calciumgehalte; en een gevoelige ontstekingsmarker bekend als high‑sensitivity C‑reactive protein. Geen van deze tests is exotisch — ze maken deel uit van routinezorg — maar samen vormen ze een krachtig patroon. Met deze negen markers werden meerdere machine‑learningmethoden vergeleken, en een random‑forestmodel leverde de meest betrouwbare prestaties.

Een hulpmiddel dat in meerdere ziekenhuizen werkt

Het eindmodel, ABSeD (Abdominal Sepsis Diagnosis), onderscheidde PAS met hoge nauwkeurigheid van andere buikziekten. In de gegevens van het oorspronkelijke ziekenhuis was de prestatie uitstekend en hield het model stand bij interne validatie. Om te onderzoeken of het buiten één centrum generaliseerbaar zou zijn, bouwde het team een online platform en verzamelde prospectief gegevens van zeven aanvullende ziekenhuizen in de provincie Zhejiang begin 2025. Onder 308 kinderen met duidelijke follow‑up of chirurgische bevestiging liet ABSeD opnieuw sterke resultaten zien: het markeerde de meeste kinderen met abdominale sepsis juist en behield hoge precisie — wat betekent dat wanneer het waarschuwde voor sepsis, dat meestal terecht was. Het systeem toont ook hoe elk van de negen markers de oordeelsvorming van het model beïnvloedt, waardoor artsen een transparant beeld krijgen in plaats van een mysterieus ‘black box’.

Van onderzoeksmodel naar bedzijhulp

Om hun werk bruikbaar te maken in de dagelijkse praktijk creëerden de auteurs een webgebaseerde interface waarin clinici de leeftijd van het kind, basisgegevens en negen laboratoriumwaarden invoeren. Het hulpmiddel geeft een risicoscore en een duidelijke visuele uitsplitsing van welke metingen het resultaat hebben bepaald, wat artsen helpt beslissen of zij de zorg moeten opschalen, beeldvorming moeten aanvragen of tot chirurgie moeten overgaan. De studie benadrukt zowel de belofte als de grenzen van het model: het is bedoeld voor kinderen die al verdacht worden van buikziekte, niet voor universele screening, en het is tot nu toe alleen getest binnen één regio en etnische achtergrond. Toch laat het ABSeD‑instrument zien hoe zorgvuldig ontworpen en uitlegbare kunstmatige intelligentie gewone laboratoriumtests kan omzetten in een vroegwaarschuwingssysteem, mogelijk levens reddend door dodelijke abdominale sepsis eerder te herkennen dan te laat.

Bronvermelding: Cao, S., Cai, D., Zhang, S. et al. Development and multicenter validation of an explainable machine learning diagnostic criteria for pediatric abdominal sepsis. npj Digit. Med. 9, 312 (2026). https://doi.org/10.1038/s41746-026-02500-0

Trefwoorden: pediatrische sepsis, abdominaal infectie, machine learning, vroegtijdige diagnose, klinische besluitvorming