Evolutionair digital twin-framework voor optimale aminoglycoside-dosering bij pasgeborenen met vermoedelijke sepsis

Waarom kleine patiënten en big data elkaar ontmoeten

Wanneer pasgeborenen ernstige infecties krijgen, hebben artsen vaak slechts enkele uren om de juiste antibiotica in de juiste dosis te starten. Maar elke baby op de intensivecare is anders, vooral te vroeg geboren zuigelingen waarvan de organen nog rijpen. Deze studie laat zien hoe een virtuele "digital twin" van elke baby behandelingsscenario’s eerst op de computer kan doorrekenen, waardoor artsen doseringen kunnen kiezen die de infectie bestrijden, kwetsbare nieren beschermen en de opkomst van resistentie vertragen.

Een virtuele kopie van een pasgeborene maken

De onderzoekers bouwden een wiskundige substitute voor elke baby die nabootst hoe een aminoglycoside-antibioticum, amikacine, zich door het lichaam verplaatst en effecten op microben heeft. Een deel van de twin vertegenwoordigt de bloedstroom, de nieren en de rest van het lichaam en voorspelt hoe het medicijn over de tijd verdeeld en geklaard wordt. Een ander deel stelt bacteriegemeenschappen voor, opgesplitst in geneesmiddelenggevoelige en hardernekkige groepen, en volgt hoe zij leven, concurreren en sterven bij veranderende medicijnniveaus. Deze twee delen zijn gekoppeld, zodat de virtuele baby en de virtuele infectie samen evolueren tijdens de behandeling.

De twin trainen om echte nieren te volgen

Bij zieke pasgeborenen kan de nierfunctie van dag tot dag veranderen, vooral bij extreem prematuren, na zuurstofgebrek bij de geboorte of bij gebruik van andere nierbelastende medicijnen. Het team trainde een type deep learning-model, een long short term memory-netwerk, op meer dan 7000 echte metingen van een afvalstof in het bloed, serumcreatinine genoemd. Daardoor kon de twin elke dag een belangrijke nierfiltratiewaarde bijwerken aan de hand van eenvoudige bedrandgegevens. Vergeleken met een eerder handgebouwd niermodel voorspelde de nieuwe aanpak creatinine nauwkeuriger over verschillende ziekenhuizen en ziektebeelden, wat betrouwbaardere voorspellingen van medicijnspiegels opleverde.

De twin controleren aan de hand van echte medicijnspiegels en infecties

Om zeker te zijn dat de twins zich realistisch gedroegen, voedden de wetenschappers ze met echte behandelingsgegevens van meer dan 1600 pasgeborenen die amikacine hadden gekregen. De virtuele modellen reproduceerden duizenden gemeten medicijnconcentraties in het bloed met bescheiden foutmarges, zelfs bij baby’s die na asfyxie koeltherapie kregen of extra hartondersteunende middelen. Toen het team de door het model voorspelde bacterieaantallen vergeleek, kwamen deze overeen met de vraag of bloedkweken van dezelfde baby’s positief of negatief waren. Dit suggereerde dat de twin niet alleen medicijnspiegels kon volgen, maar ook het algemene patroon van infectiebeheersing zoals in de kliniek wordt gezien kon vastleggen.

De computer de behandeling laten aanpassen

Eenmaal gevalideerd, werden de digitale tweelingen gebruikt om behandelkeuzes te verkennen in een grote virtuele populatie die een breed spectrum aan zwangerschaps- en postnatale leeftijden dekte. Een optimalisatieprogramma doorzocht binnen standaard dosisgrenzen naar een persoonlijk schema voor elke twin dat piekconcentraties hoog genoeg hield om bacteriën te onderdrukken, terwijl concentraties tussen doses laag genoeg vielen om nierrisico te beperken. Het model liet ook de medicijngevoeligheid van bacteriën tijdens therapie geleidelijk verslechteren, waarmee de langzame toename van resistentie werd nagebootst. Een geavanceerdere versie van de controller keek meerdere doses vooruit en paste schema’s aan om een late opleving van hardere bacteriën te voorkomen, waardoor de lange termijn controle verbeterde zonder medicijnspiegels in gevaarlijk gebied te duwen.

Wat dit betekent voor kwetsbare pasgeborenen

Zowel voor gesimuleerde baby’s als voor reële ziekenhuiscohorten gaven door digital twin geleide doseringsschema’s betere voorspellingen van infectieruiming en minder uitbreiding van resistente microben dan de standaarddoseringregels die nu in gebruik zijn, terwijl de blootstelling binnen geaccepteerde veiligheidsmarges bleef. De benadering steunt alleen op routinematig verzamelde bedrandinformatie, zoals leeftijd, gewicht, creatininetests en behandelgeschiedenis. Hoewel het nog prospectief getest moet worden, wijst dit werk naar een toekomst waarin het antibioticumtraject van elke pasgeborene continu wordt bijgestuurd door een virtuele metgezel, waarmee clinici genoeg medicatie geven om de infectie te genezen, maar niet zo veel dat het de baby schaadt of resistentie bevordert.

Bronvermelding: Prunella, M., Romano, C., Borri, A. et al. Evolutionary digital twin framework for optimal aminoglycoside dosing in neonates with suspected sepsis. npj Digit. Med. 9, 367 (2026). https://doi.org/10.1038/s41746-026-02558-w

Trefwoorden: neonatale sepsis, digital twin, amikacine-dosering, antibioticaresistentie, precisiegeneeskunde