Het modelleren van verpleegkundige taken in gesimuleerde noodscenario's: inzichten voor klinische training en praktijk

Waarom dit onderzoek belangrijk is voor patiëntenzorg

Als iemand op de spoedeisende hulp plotseling achteruitgaat, zijn verpleegkundigen vaak degenen die het eerst opmerken en handelen. Hun snelle beslissingen — wat ze controleren, wie ze moeten bellen, welke behandeling ze starten — kunnen het verschil betekenen tussen herstel en ernstige schade. Veel van deze keuzes worden zo snel en intuïtief gemaakt dat zelfs ervaren verpleegkundigen moeite hebben uit te leggen hoe ze te werk gaan. Deze studie onderzoekt of moderne kunstmatige intelligentie de patronen achter acties van ervaren verpleegkundigen in realistische noodsimulaties kan leren, met als doel op termijn minder ervaren verpleegkundigen te ondersteunen in situaties met hoge inzet.

Hoe ervaren verpleegkundigen snel beslissen

Ervaren verpleegkundigen die voor zeer zieke patiënten zorgen, doen veel meer dan stapsgewijze checklists afwerken. Ze combineren continu monitorlezingen, bevindingen in het dossier, wat ze zien en voelen tijdens het lichamelijk onderzoek en wat patiënten vertellen over hun klachten. Veel van deze besluitvorming is snel, intuïtief en moeilijk onder woorden te brengen. Beginnende verpleegkundigen daarentegen houden vaak stevig vast aan schriftelijke protocollen en richten zich sterk op monitornummers, wat hen minder flexibel kan maken wanneer de toestand van een patiënt onverwacht verandert. De onderzoekers stelden dat als we de opeenvolging van zichtbare handelingen van verpleegkundigen — zoals vitale functies controleren, met de patiënt praten of een arts bellen — kunnen vastleggen, we dit beslisproces mogelijk voldoende kunnen modelleren om training en praktijk te ondersteunen.

Gesimuleerde noodsituaties in een veilige omgeving

Om deze patronen te bestuderen zonder risico voor echte patiënten, werkte het team met gedetailleerde simulaties met levensechte poppen. Elf ervaren verpleegkundigen en dertien derdejaars verpleegkundestudenten doorliepen noodscenario’s met een patiënt die plotseling een ischemische beroerte kreeg en, voor de experts, een extra scenario met patiënten met ernstige Covid‑19-complicaties. Elke handeling van de verpleegkundigen — in totaal 19 onderscheiden gedragingen — werd vastgelegd op video, van een tijdstempel voorzien en zorgvuldig gecodeerd door klinische en human factors-experts. Deze vele specifieke handelingen werden vervolgens gegroepeerd in acht bredere categorieën, zoals vitale functies controleren, gerichte lichamelijke onderzoeken uitvoeren, met de patiënt praten, het dossier raadplegen, medicatie toedienen, een arts bellen, extra onderzoeken aanvragen of het ophalen van een rapid response-team initiëren.

Wat de gegevens onthulden over verpleegkundig gedrag

In 33 simulatie-episodes voerden de verpleegkundigen en studenten 1.024 handelingen uit, gemiddeld ongeveer 31 handelingen per scenario. Het controleren van vitale functies was verreweg het meest voorkomende gedrag, gevolgd door gerichte lichamelijke onderzoeken en gesprekken met de patiënt. Een transitiemap liet zien dat, ongeacht wat verpleegkundigen net hadden gedaan, hun volgende stap waarschijnlijk het controleren van de monitor was — wat suggereert dat ze regelmatig cijfers gebruikten om te bevestigen wat ze zagen en hoorden. Er waren ook duidelijke verschillen tussen experts en studenten: experts verdeelden hun tijd meer tussen monitoren en hands‑on onderzoeken, en zij vroegen vaker extra tests aan en gaven medicatie, terwijl studenten zich zwaarder op de monitor richtten. Deze verschillen leverden een gevarieerde set gedragslijnen op die een model kunnen helpen algemenere regels voor patiëntenzorg te leren.

Een model leren voorspellen wat de volgende stap is

De centrale vraag was of een moderne AI-benadering, bekend als een attention-gebaseerde transformer, kon leren voorspellen welke handeling een verpleegkundige vervolgens zou uitvoeren, alleen op basis van de opeenvolging van eerdere handelingen. Het team trainde dit model op de gecodeerde simulatiedata en vergeleek het met twee meer traditionele sequentie‑leermethoden: een basaal recurrent neuraal netwerk en een long short-term memory (LSTM)-netwerk. Alle drie de modellen presteerden beter dan simpelweg raden wat de meest voorkomende volgende handeling zou zijn. Het attention‑gebaseerde model behaalde ongeveer 73 procent nauwkeurigheid over het geheel en leverde over het algemeen de meest gebalanceerde prestaties over verschillende typen handelingen, met name in het terugvinden van minder frequente maar belangrijke gedragingen. Het LSTM-model behaalde iets hogere precisie — wat betekent dat wanneer het een bepaalde handeling voorspelde, die voorspelling iets waarschijnlijker correct was — maar de prestaties varieerden sterker tussen actietypen.

Wat dit kan betekenen voor training en zorg in de praktijk

Voor leken luidt de belangrijkste conclusie dat een computersysteem zinvolle patronen kan leren uit hoe verpleegkundigen daadwerkelijk werken tijdens noodsituaties en redelijk nauwkeurige voorspellingen kan doen over wat een ervaren verpleegkundige waarschijnlijk als volgende zal doen. Op korte termijn zou een dergelijk systeem in simulatie‑training kunnen worden ingebouwd: terwijl studenten bijvoorbeeld een beroertescenario doorlopen, kan het model hun opeenvolging van handelingen volgen en zachtjes een volgende nuttige stap voorstellen wanneer ze vastlopen, waarbij de holistische werkwijze van de menselijke verpleegkundige behouden blijft in plaats van te worden vervangen. De auteurs benadrukken dat meer data, aanvullende condities buiten beroerte en Covid‑19, en zorgvuldige aandacht voor privacy nodig zijn voordat vergelijkbare hulpmiddelen in echte ziekenhuizen worden ingezet. Toch biedt deze studie een vroeg inzicht in hoe AI op termijn verpleegkundigen zou kunnen ondersteunen — in plaats van vervangen — bij hun snelle, levensreddende beslissingen.

Bronvermelding: Anton, N.E., Malusare, A.M., Aggarwal, V. et al. Modeling nursing care tasks in simulated emergency scenarios: insights for clinical training and practice. npj Health Syst. 3, 24 (2026). https://doi.org/10.1038/s44401-026-00079-y

Trefwoorden: verpleegkundige besluitvorming, klinische simulatie, machine learning, attention-modellen, spoedeisende zorg