Een patiënt komt op spoed en vertoont mogelijke tekenen van een urineweginfectie. De spoedarts stuurt een urinestaal naar het labo. “Dat brengen we in kweek, om te zien of ziekmakende bacteriën zich vermenigvuldigen”, zegt dr. Dieter De Smet, diensthoofd klinische biologie en laboratoriumdirecteur. “Alleen duurt het minstens 24 tot zelfs 48 uur voor je resultaat hebt. Artsen nemen dan vaak het zekere voor het onzekere en zetten een patiënt op empirische antibioticatherapie. Achteraf blijkt de urinekweek vaak negatief. Heel wat patiënten krijgen zo onnodig antibiotica, wat bijdraagt aan de antimicrobiële resistentie.”

DIRECT BESCHIKBARE TESTRESULTATEN

Er is dus nood aan een veel snellere manier om de uitkomst van de urinekweek te voorspellen. Dr. De Smet: “Dat wordt al geprobeerd, op basis van de hoeveelheid witte bloedcellen of met een 'bacterial count'. Maar daarmee weet je nog niet om welke infectie het gaat. Samen met RADar bekeken we of machine learning een goeie voorspelling kan maken, op basis van direct beschikbare testresultaten.”

​

“Het model vertelt of een patiënt zeer waarschijnlijk tot zeer onwaarschijnlijk een positieve urinekweek zal hebben. De arts neemt die info dan samen met de medische conditie en voorgeschiedenis van de patiënt om te beslissen of antibiotica aangewezen is. Want je behandelt patiënten, geen testresultaten. Op die manier moet het AI-model het empirische antibioticagebruik terugdringen en het voorschrijven ervan gerichter maken. De ‘holy truth’ blijft de urinekweek. Maar als het model met grote waarschijnlijkheid een negatief resultaat voorspelt en de patiënt is oké, kun je afwachten en niet meteen antibiotica voorschrijven.”

​

Nog een voordeel is een betere inzet van labomedewerkers, zegt dr. De Smet. “Positieve stalen vergen meer werk, onder meer omdat er ook een antibiogram van wordt gemaakt, om te weten welke antibiotica werkt. Als we dus weten dat er veel potentieel positieve stalen zullen zijn, kunnen we onze laboranten gerichter inzetten.”

​

MACHINE LEARNING BUNDELT 6 PARAMETERS

Het AI-model kwam er niet zomaar. “We hebben meerdere machine learning-modellen getest, tot duidelijk werd dat we op basis van 6 parameters uit onze flowcytometers een hoge predictieve waarde bekwamen. Het gaat om de aantallen rode bloedcellen in de urine, de witte bloedcellen, de bacteriën, de gisten, de tubulaire epitheelcellen en de squameuze epitheelcellen.”

 

“Het probleem met machine learning is dat je vaak wel een accurate inschatting bekomt, maar dat dat resultaat daarom nog niet interpreteerbaar is. Laat staan 'actionable', voor individuele patiënten. Wat doe je met de uitslag? Vandaar dat we vijf categorieën zijn gaan definiëren, van ‘heel onwaarschijnlijk’ tot ‘hoogstwaarschijnlijk’. Die eerste omvat de resultaten die 10 keer zoveel voorkomen bij patiënten die een negatieve kweek bleken te hebben. De hoogstwaarschijnlijke categorie bevat dan weer resultaten die 40 maal meer voorkomen bij een uiteindelijk positieve kweek. Dat biedt de arts de nodige details bij de beslissing om al dan niet empirische antibiotica te starten.”

​

”Het AI-model vertelt of een patiënt zeer waarschijnlijk tot zeer onwaarschijnlijk een positieve urinekweek zal hebben. Op basis van onder andere deze informatie beslist de arts of antibiotica aangewezen is.”

​

“Ook bij de tussenliggende categorieën kan de arts antibiotica voorschrijven, in combinatie met een verdachte of instabiele kliniek. De machine learning voegt dus rationaliteit toe aan de beslissing, die uiteraard bij de arts blijft.”

​

“Het concept van ‘actionability’ is nieuw en we bereiden momenteel een paper voor om dat ook toe te passen voor andere machine learning-modellen die we hier in RADar ontwikkelen. Het innoverende is dat we een voorspellende waarde koppelen aan aanbevelingen over wat je daar als arts mee kunt gaan doen. We maken de resultaten interpreteerbaar en toepasbaar.”

​

Een mooi voorbeeld van ‘engineer meets physician’, zegt chief innovation officer prof. dr. Peter De Jaeger. “Het labo en RADar dagen elkaar uit en tillen elkaar naar een hoger niveau. Er is ongelofelijk veel mogelijk met kwalitatieve, gestructureerde data. Alleen: de meest fantastische AI-modellen zijn niks waard als je ze niet kunt vertalen naar een advies voor de arts.”