De zorg transformeren door anders en beter te innoveren: De geautomatiseerde detectie van sepsis

Melissa Verbeke
Op intensieve zorgen is er bij de patiënt altijd heel wat apparatuur aangeschakeld. Een verpleegkundige is echter wel beperkt in het gelijktijdig interpreteren van een aantal parameters. Bij bepaalde pathologieën, zoals sepsis, zijn heel wat parameters nodig om een diagnose te kunnen stellen. Sepsis heeft een zeer hoge mortaliteit. Het is van belang dat sepsis tijdig herkend en behandeld wordt. Software kan hier misschien wel in helpen om een vroegtijdige deterioratie ten gevolge van sepsis bij een intensieve zorgen patiënt te herkennen.

De zorg transformeren door anders en beter te innoveren

Men kan niet meer om de digitalisering van de wereld heen en het internet is niet meer weg te denken uit onze maatschappij. Daarom is het idee ontstaan om onderzoek te verrichten naar de meerwaarde van de geautomatiseerde detectie van sepsis of bloedvergiftiging, want de digitalisering van de gezondheidszorg is ook een feit.

  1. Definitie

Sepsis of bloedvergiftiging is een levensbedreigende orgaandisfunctie als gevolg van een ontregelde immuunrespons op een infectie.Het is de derde grootste oorzaak van sterfte in de wereld. Straffer nog, jaarlijks overlijden maar liefst 8 000 000 wereldwijd aan deze ziekte. 

Sepsis

  1. De nood van een snellere herkenning van deterioratie

De diagnose van sepsis of bloedvergiftiging blijft, ondanks jaren van onderzoek en ontwikkeling, moeilijk te stellen aangezien de signalen zich vaak laattijdig presenteren. De symptomen van een sepsis of bloedvergiftiging zijn afhankelijk van de oorzaak, de locatie van de infectie, de aangetaste organen en de gezondheidstoestoestand van de patient. De huidige middelen om de diagnose te stellen, zijn verder ook niet accuraat genoeg. 

Bijgevolg zijn de observatie en interpretatie van de vitale parameters van de patiënt essentieel om een achteruitgang van de toestand van de patiënt vroegtijdig te herkennen. Maar liefst 5% van de patiënt ervaart een achteruitgang tijdens hun verblijf in het ziekenhuis en 80% daarvan kan 24u op voorhand geïdentificeerd worden. 

  1. Oorzaken van deterioratie

De oorzaken voor de faling in de detectie van zo’n achteruitgang kunnen teruggevonden worden in ten eerste stoorzenders die op een afdeling in het ziekenhuis aanwezig zijn zoals gesprekken tussen verpleegkundigen onderling of tussen de patiënt en de verpleegkundige. Ten tweede zijn verpleegkundigen verantwoordelijk voor meer dan een patiënt. Ten derde staan verpleegkundigen niet alleen in voor de zorg, maar ook voor de administratie in verband met de verleende zorgen.

  1. De meerwaarde van elektronische patiëntendossiers (EPD’s) bij het herkennen van deterioratie door sepsis

Uit onderzoek blijkt dat een geautomatiseerde detectie van sepsis of bloedvergiftiging wel degelijk een meerwaarde kan bieden. Ten eerste zijn de gegevens in verband met de toestand van de patiënt toegankelijk, omdat alles verzameld wordt in het elektronisch patiëntendossier. Ten tweede kan zo’n achteruitgang voorspeld worden door die digitalisering en kan hierdoor ook de diagnose sneller gesteld worden. Tot slot wordt er ook minder sterfte, een minder langere verblijfsduur in het ziekenhuis, minder hoge kosten en een mindere kans tot heropname binnen de dertig dagen geregistreerd. Er kan dus geconcludeerd worden dat de patiëntenoutcome enorm verbeterd zal zijn.

Praktisch gezien zou dit vorm kunnen krijgen in de vorm van de monitor waarbij kleuren gebruikt worden om de ernst van de toestand van de patiënt aan te duiden. Elke parameter en elk bloedresultaat zal een kleur toegekend krijgen. Bij een ernstige afwijking kleurt dit resultaat dan bijvoorbeeld rood. Zo worden afwijkende resultaten sneller opgemerkt.

Monitor met kleurindicatoren

Aangezien voorgaande een grote financiële impact met zich zal meebrengen, werd daarnaast een eenvoudige tool ontwikkeld die in het elektronisch patiëntendossier vervat zal zijn. Op basis van een aantal paramaters die gemakkelijk te controleren zijn bij de patiënt zoals de temperatuur, de hartslag, de bloeddruk… kan het risico op sepsis of bloedvergiftiging berekend worden. Hoe ernstiger de parameters afwijken, hoe meer kans er is op een sepsis of bloedvergiftiging. Bij een verhoogd risico wordt er de verpleegkundige hiervan op de hoogte gebracht, zodat de arts sneller verwittigd zal worden en er al enkele maatregelen zoals bloed nemen getroffen kunnen worden.Implementatie in het EPD

  1. Conclusie

Zoals minister van Sociale Zaken en Volksgezondheid, Maggie De Block, in 2016 zei, zal een transformatie van de zorg in het belang zijn van de patiënt. De zorg zal toegankelijker worden en er zal sprake zijn van een kwalitatief hoogstaandere zorg met betere patiëntenresultaten.

De literatuur is alleszins zeer positief over de geautomatiseerde detectie van sepsis of bloedvergiftiging. Uit een vervolgstudie zal wel nog moeten blijken of de literatuur compatibel is met de realiteit.

 

Bibliografie

Aakre, C., Ferreyra, M., Franco, P., Herasevich, V., Kitson, J., & Li, M. (2017). Prospective validation of a near real-time EHR-integrated automated SOFA score calculator. International journal of medical informatics, 1-6.

Aerssens,A.,DeBlaere,G.,&DeSpiegelaere,M.(2017-2018).Kwaliteitszorgenorganisatieleer.Gent: ArteveldehogeschoolGent.

Alderson, P., Evans, D., Kourbeti, I., Lewis, S., Smith, A., & Warttig, S. (2018, juni 25). Automated monitoringcomparedtostandardcarefortheearlydetectionofsepsisincriticallyillpatients.Cochrane SystemacReview.

Amland,R.,&Hahn-Cover,K.(2016).Clinicaldecisionsupportforearlyrecognitionofsepsis.American journal of medicalquality.

Angus, D., Annane, D., Beale, R., Dellinger, R., Deutschman, C., Douglas, I., . . . Sevransky, J. (2013). Surviving Sepsis Campaign: International Guidelines for Management of Severe Sepsis and Septic Shock, 2012. Intensive care medicine, 165-228.

Annane, D., Bauer, M., Deutschman, C., Seymour, C., Shankar-Hari, M., & Singer, M. (2016). The third international consensus definitions for sepsis and septic shock (Sepsis-3). JAMA, 801-810.

Arends, J., bij de Vaate, E., de Jonge, J., de Lange, D., & van Leeuwen, H. (2016). Procalcitonine als biomarker voor infecties. Retrieved from Nederlands tijdschrift voor geneeskunde: https://www.ntvg.nl/artikelen/procalcitonine-als-biomarker-voor-infecties

Arnold,R.,Capan,M.,Long,D.,Mascioli,S.,Miller,K.,&Weldon,D.(2018).Evaluationofuser-interface allert displays for clinical decision support systems for sepsis. Critical carenurse.

Aussems,M.(2017,Januari).Kunstmatigeintelligentie:watishetnuechtenhoebangmoetenwezijn?Retrieved from Tech Pulse: https://www.techpulse.be/achtergrond/211309/artificiele-intelligentie-in-de-toekomst/

Aussems, M. (2019). AI, machine learning en deep learning: wat is het verschil? Techzine.

Bürkle, T., Castellanos, I., Prokosch, H., & Schüttler, J. (2013). Does introduction of a Patient Data ManagementSystem(PDMS)improvethefinancialsituationofanintensivecareunit?Medical informatics and decisionmaking.

Badawi, O., Celi, L., Faisal, A., Gordon, A., & Komorowski, M. (2018). The artificial intelligence clinician learns optimal treatment strategies for sepsis in intensive care. Nature medicine.

Baker,J.,Droege,C.,Goodman,M.,Holcomb,J.,Johannigman,J.,Jung,A.,...Pritts,T.(2018).Sooner is better: use of a real-time automated bedside dashboard improves sepsis care. Journal of surgicalresearch.

Bakhshi, N. (2018). De mogelijkheden van AI voor de toekomst. Geraadpleegd op 26 januari 2018 via https://www.emerce.nl/achtergrond/mogelijkheden-ai-toekomst

Barton,C.,Calvert,J.,Chettipally,U.,Das,R.,Fletcher,G.,Hoffman,J.,...Zhou,Y.(2018).Multicentre validation of a sepsis prediction algorithm using only vital sign data in the emergency departement, general ward and ICU. BJMOpen.

Barton, C., Calvert, J., Chettipally, U., Das , R., Hoffman, J., Jay, M., . . . Shimabukuro, D. (2017). Cost and mortality impact of an algorithm-driven sepsis prediction system. Journal of medical economics.

Barton, C., Calvert, J., Chettipally, U., Das, R., Desautels, T., Feldman, M., . . . Wales, D. (2016). Prediction of sepsis in the intensive care unit with minimal electronic health record data: a machine learning approach. JMIR Medical Informatics.

Barton, C., Calvert, J., Chittipally, U., Das, R., Feldman, M., Hoffman, J., . . . Price, D. (2016). A computational approach to early sepsis detection. Computers in biology and medicine.

Barton,C.,Das,R.,Feldman,M.,Mataraso,S.,&Shimabukuro,D.(2017).Effectofamachinelearning- based severe sepsis prediction algorithm on patient survival and hospital length of stay: a randomised clinical trial. BMJ Open RespiratoryResearch.

Beals, J., Dellinger, P., Fogerty, R., Gross, B., Jones, S., Levy, M., . . . Voelker, K. (2027). Sepsis as 2 problems: Identifying sepsis at admission and predicting onset in the hospital using an electronic medical record–based acuity score. Journal of critical care, pp. 237-244.

Bellomo,R.,Duller,B.,&Subbe,C.(2017).Effectofanautomatednotificationsystemfordeteriorating ward patients on clinical outcomes. CriticalCare.

Bernard,G.,Gowda,S.,Hooper,M.,Martin,J.,Nadas,A.,Rice,T.,...Wheeler,A.(2016).Anelectronic tool for the evaluation and treatment of sepsis in the ICU: a rondomized controlled trial. Critical caremedicine.

Betesh, J., French, B., Fuchs, B., Hanish, A., Mikkelsem, M., Tait, G., . . . Umscheid, C. (2016). Development, implementation and impact of an automated early warning and response system for sepsis. Journal of Hospital Medicine.

Bonnici, T., Clifton, D., Tarassenko, L., & Watkinson, P. (2013). The digital patient. Clinical Medicine, pp.

252-257.

Bouwer, E. (2017). Gezondheidszorg: nieuwe paradigma’s of disruptie? TOII.

Brandt, B., Cannon, C., Carlton, E., Cleek, C., Gartner, A., Moncure, M., . . . Wittkopp, C. (2015).

Identifying severe sepsis via electronic surveillance. American journal of medical quality.

Bruno, E., & Poliargus. (2016, November). 10 dingen die je moet weten over digitalisering en de arbeidsmarkt.Retrieved         from     De        wereld  van                               morgen: http://www.dewereldmorgen.be/artikel/2016/11/08/10-dingen-die-je-moet-weten-over-digitalisering-en-de-arbeidsmarkt

Buchman, T., Clifford, G., Holder, A., Nemati, S., Razmi, F., & Stanley, M. (2018). An Interpretable Machine Learning Model for Accurate Prediction of Sepsis in the ICU. Critical Care Medicine.

Burdick, H., Das, R., Gabel-Comeau, D., Gu, C., Hoffman, J., McCoy, A., . . . Slote, J. (2018). Effect of a SepsisPredictionAlgorithmonPatientMortality,LengthofStay,andReadmission.Coldspring harborlaboratory.

Burdick, H., Das, R., Gabel-Comeau, D., Gu, C., Hoffman, J., McCoy, A., . . . Slote, J. (2018). Effect of a SepsisPredictionAlgorithmonPatientMortality,LengthofStay,andReadmission.Coldspring harborlaboratory.

Burdick, H., Das, R., Gabel-Comeau, D., Gu, C., Huang, H., Lynn-Palevsky, A., & Pino, E. (2018). Evaluating a sepsis prediction machine learning algorithm in the emergency department and intensive care unit: a before and after comparative study. Cold spring harbor laboratory.

Carlson, E., Eshelman, L., Ghosh, E., Lord, B., & Yang, L. (2017). Early deterioration indicator: data- driven approach to detecting deterioration in general ward. European Resucitation Council, 99-105.

Celi, L., Rush, B., & Stone, D. (2018). Applying machine learning to continuously monitored physiological data. Journal of Clinical Monitoring and Computing.

Chipsoft. (z.j.). Het succes van PDMS. Retrieved from Chipsoft: https://www.chipsoft.be/oplossingen/143/Het-succes-van-PDMS

Claypool, S., & Manaktala, S. (2017). Evaluating the impact of a computerized surveillance algorithm and decision support system on sepsis mortality. Journal of the american medical informatics association.

Clemmer, T., Crossno, P., Howe, S., Johnson, K., Keddington, R., Kuttler, K., . . . Wilde, C. (2014, Augustus 27). Automated detection of physiologic deterioration in hospitalized patients. Journal American Medicine Information Association, pp. 350-360.

Cooper, J., Crosby, R., McCarthy, N., Royle, P., Seedat, F., & Tsertsvadze, A. (2016). Community-onset sepsis and its public health burden: a systematic review. Systematic Review.

Croonen, H. (2015, Januari 7). Big data in de zorg: niet alleen verzamelen.Retrieved from Medisch Contact: https://www.medischcontact.nl/nieuws/laatste-nieuws/artikel/big-data-in-de-zorg-niet-alleen-verzamelen.htm

Das, R., & McCoy, A. (2017). Reducing patient mortality, length of stay and readmissions through machine learning-based sepsis prediction in the emergency department, intensive care unit and hospital floor units. BJM Open Quality.

De Greef, M. (2018, Maart 5). Digitalisering naast sociaal contact als blended voorziening voor ouderen. Tijdschrift over ouder worden & samenleving, pp. 29-31.

Deloitte. (z.j.). Big data in de zorg: Welke inzichten bieden uw gegevens en hoe gebruikt u deze? Retrieved from Deloitte: https://www2.deloitte.com/nl/nl/pages/life-sciences-en- gezondheidszorg/articles/personalised-medicine.html

Deridder , V. (2018). AI, machine learning en deep learning: who’s who? Smart Business.

Deridder, V. (2019). Universitair Ziekenhuis Antwerpen gebruikt nu ook AI op radiologie-afdeling. Smart Business.

Despins,L.(2016).AutomatedDetectionofSepsisUsingElectronicMedicalRecordData:ASystematic Review. Journal for healthcare quality,1-12.

Despins,L.(2017).Factorsinfluencingwhenintensivecareunitnursesgotothebedsidetoinvestigate patientrelatedalarms:Adescriptivequalitativestudy.IntensiveandCriticalCareNursing.

Despins, L., FAAN, PhD, PhD, RN, RN, & Wakefield, B. (2018, Juni). The Role of the Electronic Medical Record in the Intensive Care Unit Nurse's Detection of Patient Deterioration: A Qualitative Study. Computers, informatics, nursing, pp. 284-292.

Ehrenfeld, J., Freundlich, R., Huerta, L., Rice, T., Semler, M., SMART, & Wanderer, J. (2018). Validation of a Sequential Organ Failure Assessment Score using Electronic Health Record Data. Journal of medical system.

Evans, L., Levy, M., & Rhodes, A. (2018). The Surviving Sepsis Campaign Bundle: 2018 Update. The society of critical care medicine and the euorpean society of intensive medicine, 997-1000.

Evrard, N. (z.j.). Kunstmatige intelligentie is geen sciencefiction meer. Retrieved from Fifty&me: https://www.fiftyandmemagazine.be/nl/cultuur/ontdekken/kunstmatige-intelligentie-is-geen-sciencefiction-meer

Feil, M. (2013). Distractions and their impact on patient safety. Pennsylvania patient safety advisory.

Giesen,P.,Hopstaken,R.,Koekkoek,K.,Loots,F.,Prins,A.,&Tjan,D.(2017).Sepsisherkennenbijeen volwassene. Huisarts & wetenschap,400-404.

Guldemond, N. (2017). De belangrijkste trends in de ontwikkeling van eHealth of digitale zorg. Tijdschrift over ouder worden & samenleving G.

HalBritter, K., Kurczewski, L., McKnight, R., & Sweet, M. (2015). Reduction in time to first action as a result of electronic alerts for early sepsis recognition. Critical care nursing.

Jacobs, F. (2017, Juni 15). Internet trends: digitalisering gezondheidszorg zet door. Retrieved from Smarth Health: https://www.smarthealth.nl/2017/06/15/internet-trend-digitalisering-gezondheidszorg/

Marik, P., & Taeb, A. (2017). SIRS, qSOFA and new sepsis definition. Journal of Thoracic Disease.

Meijer,E.(2018,mei).GooglesteltregelsvoorgebruikvanzijnAIdoorAmerikaanselegerop.Retrieved fromNUMRUSH:http://numrush.nl/2018/05/31/google-stelt-regels-voor-gebruik-van-zijn-ai-door-amerikaanse-leger-op/

Moors, I. (2019). De oncologische patiënt op IZ. Brugge: Katholieke hogeschool Vives.

N., N. (2019). Het EPD in ziekenhuizen. Retrieved from EPD & ECD consultancy: http://www.epd- ecdconsultancy.nl/werkgebieden

N., N. (2019). Het verschil tussen Artificial Intelligence, Machine Learning en Deep Learning. Retrieved fromGlobalOrange:https://www.globalorange.nl/artificial-intelligence-machine-learning-en-deep-learning

N.n. (2018, Oktober 5). UZA. Retrieved from Sepsis snel herkennen redt levens: https://www.uza.be/sepsis-snel-herkennen-redt-levens

Thompson, G., O'Horo, J., Pickering, B., Herasevich, V., & P. (2015, juni). Impact of the Electronic Medical Record on Mortality, Length of Stay, and Cost in the Hospital and ICU: A Systematic Review and Metaanalysis. The society of critical care medicine, pp. 1276-1282.

Turek, G. (2018, September 10). Het verschil tussen artificial intelligence en machine learning in vijf minuten uitgelegd. Retrieved from Selligent: https://www.selligent.com/nl/blogs/advies/het-verschil-tussen-artificial-intelligence-en-machine-learning-in-vijf-minuten-uitgelegd

Universiteit of Hogeschool
Bachelor in de intensieve zorg en de spoedgevallenzorg
Publicatiejaar
2019
Promotor(en)
Dhr. Dieter Vyt
Kernwoorden
Share this on: