Samenvatting
Een verwijde buikslagader, ook wel een abdominaal aorta-aneurysma genoemd, kan leiden tot een levensbedreigende bloeding. Wanneer de slagader te ver verwijd is, kan deze preventief worden behandeld. Dat gebeurt vaak met een stent via een zogeheten EVAR-behandeling.
Deze behandeling heeft minder operatierisico’s dan een open operatie, maar patiënten hebben later vaker een nieuwe ingreep nodig. Daarnaast krijgen patiënten na de operatie op vaste momenten controles, terwijl niet iedere patiënt evenveel risico loopt op complicaties en dus mogelijk ook niet al deze controles nodig heeft.
Rijnstate onderzoekt daarom samen met verschillende partners hoe Artificial Intelligence (AI) kan helpen om de behandeling en controles beter af te stemmen op de individuele patiënt. Met voorspelmodellen willen de onderzoekers inschatten welke patiënten risico lopen op complicaties en welke controles na de ingreep nodig zijn.
Daarnaast onderzoeken zij hoe deze informatie begrijpelijk met patiënten kan worden gedeeld, zodat patiënt en zorgprofessional samen beter onderbouwde keuzes kunnen maken.
Doel van het onderzoek
Het project heeft als doel om de behandeling en controles van patiënten met een verwijde buikslagader te verbeteren.
De onderzoekers willen twee voorspelmodellen ontwikkelen. Het eerste model moet voorspellen welke patiënten na het plaatsen van een stent een verhoogd risico hebben op complicaties. Het tweede model richt zich op het voorspellen welke controles na de ingreep noodzakelijk zijn.
Hiermee willen de onderzoekers het aantal heringrepen verminderen en de controles beter afstemmen op het risico van de individuele patiënt.
Daarnaast wordt onderzocht hoe de voorspelde uitkomsten het beste aan patiënten kunnen worden uitgelegd. Het doel is dat patiënten de informatie beter begrijpen en deze samen met hun zorgprofessional kunnen gebruiken bij beslissingen over hun behandeling en follow-up.
Aanpak
Voor het ontwikkelen van de voorspelmodellen gebruiken de onderzoekers een grote dataset met medische beeldvorming en andere patiëntkenmerken. Van deze patiënten is bekend of er na de behandeling wel of geen complicaties zijn ontstaan.
Met deze gegevens worden AI-modellen getraind. Vervolgens kunnen de onderzoekers testen hoe goed de modellen voorspellen welke patiënten risico lopen op complicaties en welke controles na de ingreep nodig zijn.
Daarnaast worden drie manieren onderzocht om de voorspelde uitkomsten begrijpelijk aan patiënten te presenteren:
- een computermodel;
- een 3D-print;
- hologrammen.
De onderzoekers vergelijken welke methode het meest geschikt is om patiënten inzicht te geven in hun persoonlijke situatie. Daarbij wordt ook gekeken naar de kosteneffectiviteit.
Verwachte resultaten
Het project moet uiteindelijk drie concrete resultaten opleveren:
- een ontwikkeld en gevalideerd voorspelmodel voor het risico op complicaties;
- een ontwikkeld en gevalideerd voorspelmodel voor de benodigde controles na de ingreep;
- inzicht in welke van de drie onderzochte methoden het meest geschikt is om de voorspelde uitkomsten begrijpelijk met patiënten te bespreken.
Met deze inzichten kunnen behandeling en follow-up mogelijk beter worden afgestemd op het individuele risico van patiënten.
Daarnaast kan begrijpelijke informatie over de voorspelde uitkomsten patiënten en zorgprofessionals ondersteunen bij het samen nemen van beslissingen over de behandeling en controles.
Bijzonder aan dit project
Het project combineert AI, medische beeldvorming en patiëntvoorlichting. De onderzoekers kijken daarmee niet alleen naar het ontwikkelen van voorspelmodellen, maar ook naar de manier waarop de uitkomsten daadwerkelijk in de zorg kunnen worden gebruikt.
Daarbij is nadrukkelijk aandacht voor de patiënt. Met een computermodel, 3D-print en hologrammen wordt onderzocht hoe complexe informatie over persoonlijke risico’s begrijpelijk kan worden gemaakt. Zo moet de technologie uiteindelijk bijdragen aan het gesprek tussen patiënt en zorgprofessional.
Ook werken binnen het project verschillende topklinische ziekenhuizen, de Universiteit Twente, een patiëntenvereniging en het bedrijfsleven samen. De klinische kennis uit de ziekenhuizen wordt gecombineerd met expertise op het gebied van AI en de ontwikkeling en toelating van medische modellen.
Het project bouwt voort op het eerder gevormde RADAR-consortium.
Samenwerkingspartners
Binnen het project werkt Rijnstate samen met Elisabeth-TweeSteden Ziekenhuis (ETZ), Medisch Spectrum Twente (MST), de Universiteit Twente, een patiëntenvereniging en Pie Medical Imaging.
De partners brengen verschillende expertises samen. Vanuit de Universiteit Twente worden AI-modellen ontwikkeld en ingezet, terwijl de ziekenhuizen hun klinische expertise inbrengen. De patiëntenvereniging is betrokken om ervoor te zorgen dat het onderzoek aansluit bij wat voor patiënten relevant is.
Ook wordt samengewerkt met het bedrijfsleven om de modellen uiteindelijk te kunnen integreren in bestaande platformen en rekening te houden met de eisen waaraan modellen moeten voldoen voordat ze buiten onderzoeksverband kunnen worden toegepast.
Hierover sparren wij graag
- AI en voorspelmodellen in de medisch-specialistische zorg
- Persoonsgerichte follow-up na een behandeling
- AI en medische beeldvorming
- Samen beslissen met behulp van voorspelmodellen
- Begrijpelijk presenteren van medische risico's
- 3D-visualisaties en hologrammen voor patiëntvoorlichting
- Implementatie van AI-modellen in bestaande zorgplatformen
- Samenwerking tussen ziekenhuizen, wetenschap, patiënten en bedrijfsleven
Gerelateerde MedZO-projecten
- Chirurgie Onderzoek naar het nut van een losse seton bij een perianale fistel Proctos Kliniek Bekijk project
- Apps Gepersonaliseerde betrokkenheid en uitkomsten van zorg bij infertiliteit TFP Medisch Centrum Kinderwens Leiderdorp Bekijk project
- AI WACHT-NIET: zorgconsulten op maat voor patiënten met chronische nierziekte Isala Bekijk project