Erika Vlieghe: data in de strijd tegen sepsis
'We zijn niet Scandinavië waar je ongeveer over alles perfecte datasets hebt'
In de strijd tegen sepsis hebben we meer en vooral betere data nodig, zegt prof. dr. Erika Vlieghe, diensthoofd algemene inwendige, infectieziekten en tropische geneeskunde in het UZA. “Men onderschat hoe arbeidsintensief het waken over datakwaliteit is.”
Als u me een boutade toestaat: de strijd tegen sepsis begon met de aanbeveling van dokter Ignaz Semmelweis dat artsen voor een bevalling hun handen moeten wassen. Dat inzicht dateert al van 1847. Waarom is sepsis bijna 180 jaar later nog steeds een probleem?
Erika Vlieghe: Dat is inderdaad wat kort door de bocht (lacht). Er is intussen echt wel veel veranderd. Het besef van het risico van zorggerelateerde infecties is enorm toegenomen, en er zijn veel meer data beschikbaar. Tegelijk is tussen de 19de eeuw en nu de patiëntenpopulatie ook geëvolueerd: we zien vandaag veel oude, verzwakte mensen, immuungecompromitteerde mensen, die vaak langdurig in de zorg verblijven of frequent contact hebben met de zorg. Daarnaast zijn er heel wat medical devices zoals katheters, port-a-cathen, hartkleppen en prothesemateriaal bijgekomen die een risico op zorggerelateerde infecties geven.
Hebben we in België voldoende data over zorggerelateerde infecties?
Zorggerelateerde infecties zijn een ruim begrip waar veel soorten infecties onder vallen. Over de ene hebben we meer betrouwbare data dan over de andere. We zijn hier niet in Scandinavië waar je over ongeveer alles perfecte datasets hebt. Als het specifiek over sepsis gaat, dan komen de data van Sciensano over zorggerelateerde bloedbaaninfecties in de buurt. Maar er zijn ook mensen die vanuit een pneumonie of een urineweginfectie een zorggerelateerde sepsis ontwikkelen, en die zitten niet in die data vervat.
Naast de zorggerelateerde (hospital acquired) sepsis is er echter ook nog community-acquired sepsis. Die komen vaak binnen via spoedgevallen, en we hebben daar geen register van. Elk ziekenhuis apart verzamelt daar wel data over, maar zelfs dat is uitdagend: je moet al heel wat klinische data hebben om die patiëntengroep nauwkeurig en volledig te definiëren.
We moeten dus werken met extrapolaties van beperkte datasets. In het beste geval geven die een idee over het voorkomen van de infecties. Maar we hebben geen idee over de outcomes van die infecties in België. Tot hoeveel overlijdens of extra ziekte, hoeveel extra ligdagen, hoeveel extra kosten leidt sepsis? We weten het eigenlijk niet.
Hoe pakken jullie dat aan in het UZA?
We willen verschillende datastromen op elkaar afstemmen of combineren. Denk aan data van opgenomen patiënten, spoedgevallen, microbiologie, de ziekenhuisapotheek en het elektronisch patiëntendossier. We zoeken naar manieren om daar een goede, stabiele dataverzameling van te maken, zodat we de sepsispopulatie zo precies mogelijk kunnen beschrijven.
Methodologisch lopen we tegen grenzen aan. Patiënten op intensieve zorg zijn het best beschreven, en krijgen een duidelijke diagnose zoals sepsis of septische shock. Maar er zijn ook patiënten die op spoed binnenkomen, er vochtresuscitatie en antibiotica krijgen, en dan relatief snel beteren. Zij hebben vaak een vorm van sepsis doorgemaakt die vroeg gedetecteerd en behandeld is, maar wel een impact kan hebben op de verblijfsduur, de morbiditeit en de kosten – maar zitten niet in de statistieken.
In een ander project, Stethoscoop, kijken we naar data van patiënten met een infectieus syndroom die naar huis gaan en transmuraal opgevolgd worden. Via draagbare meetapparatuur en een smartphone-applicatie monitoren we of een heropname nodig is.
Wat kunnen we uit data leren?
In eerste instantie wensen we een heel nauwkeurige beschrijving van onze sepsispopulatie. Dat is nuttig voor elk ziekenhuis. Natuurlijk moet niet iedereen telkens opnieuw het warm water uitvinden. Data van andere ziekenhuizen of zelfs andere landen kunnen ook in zekere mate toepasbaar zijn. Maar een ziekenhuis als het UZA, met een heel specifieke casemix en een brede waaier aan pathologieën, moet echt goed kunnen begrijpen wie zijn sepsispopulatie is: wie zijn ze demografisch, wat is hun outcome, waar komen ze vandaan, welke risicogroepen zijn er? We weten daar wel al iets over, maar ik denk dat we nog veel zullen bijleren als we die data veel beter ontsluiten.
Ziekenhuisdata analyseren vraagt veel data cleaning en interpretatie, maar het is superinteressant om uit die data lessen te trekken
Ons streefdoel – dit project overstijgt heel veel diensten – is om de tijdens klinisch werk verzamelde data te benutten. We moeten technologie laten helpen om daar zoveel mogelijk nuttige inzichten uit te halen. Dat is makkelijker gezegd dan gedaan: ziekenhuisdata analyseren vraagt veel data cleaning en interpretatie, maar het is superinteressant om uit die data lessen te trekken. Natuurlijk blijft dat erg complex door de enorme heterogeniteit van real-life data, in tegenstelling tot data uit strak geregelde trials.
In een tweede fase is het de bedoeling om te komen tot wat we een digital twin noemen: een AI-gestuurd predictiemodel voor het risico op sepsis. Op basis van een bepaald profiel – bijvoorbeeld een oncologische of hematologische patiënt met neutropene koorts, waarbij meteen meer alarmbellen afgaan dan bij een jonge gezonde twintiger – kan zo’n model waarschijnlijk nog veel meer elementen in overweging nemen. Denk aan de eerste parameters, de voorgeschiedenis en andere snel beschikbare gegevens. Zo zou je al bij de aanmelding tot een veel nauwkeurigere risicostratificatie en triage kunnen komen.
Kunt u een paar voorbeelden van inzichten geven?
Een aantal jaar geleden deden we met een aantal masterstudenten een eenvoudige retrospectieve studie over S. aureus-bacteriëmie in ons ziekenhuis. Ze hebben die dossiers zorgvuldig doorzocht. Dat geeft een veel beter zicht op de populatie. Anders werken we te vaak op basis van indrukken. Zo kun je kritisch naar je eigen casemix kijken en zien waar het risico op hoge mortaliteit zit. Sommige percepties werden bevestigd, andere bleken te pessimistisch of te optimistisch.
Twee jaar later volgde een eenvoudig stewardship-onderzoek: we implementeerden een bundel maatregelen die je normaal bij S. aureus-bacteriëmie hoort toe te passen, en evalueerden wat dat opleverde. Door na te denken over je populatie, kun je zo eenvoudige interventies – beleids-, stewardship- of medicamenteus – veel nauwkeuriger evalueren. We moeten veel meer werken aan de ontsluiting van onze routinedata. Buiten de medische context weet men al langer dat data en metadata goud waard zijn.
Bij de behandeling van sepsis is antibiotica aangewezen, maar ondoordacht gebruik van antibiotica leidt dan weer tot een toenemende antimicrobiële resistentie (AMR). Hoe zit die balans?
Dat hangt af van waar je woont. In België is de balans tussen antibiotica en resistentie nog werkbaar, maar ze staat onder druk. In landen als Griekenland, Egypte, India of Libanon is die situatie dramatisch slecht. Mijn doctoraat ging over antibioticaresistentie in Cambodja, toen nog een nieuw onderwerp met weinig literatuur. We openden er echt de doos van Pandora: de meest afgrijselijke resistentiepatronen in klinische stalen van sepsispatiënten met positieve bloedkweken.
In het globale zuiden leidt AMR tot een enorme sterfte – de Global Burden of Disease-studies geven daar goed uitgewerkte inschattingen van. Vroeger trof het vooral kinderen en neonaten door slechte hygiëne, beperkte medicatie en uitbraken met multiresistente Klebsiella-soorten, maar het probleem vandaag is veel groter. Ik had net nog een vergadering met collega’s van het ITG over een gezamenlijk onderzoek naar interventies.
Zelf houd ik me bezig met Global PPS (global-pps.com): een meetmethode die ziekenhuizen helpt om antibioticagebruik op eenvoudige, laagdrempelige wijze op te meten. Het is een point prevalence-survey: hoeveel patiënten krijgen er vandaag antibiotica, welke, met welke indicatie? Dat levert een feedbackrapport op voor een stewardship-beleid rond antibiotica dat tot verbeterprojecten kan leiden. De Global PPS wordt al gebruikt in meer dan 1.600 ziekenhuizen in meer dan honderd landen – het is een wereldwijde community.
We verfijnen die tool nu voor zowel in patient-, maar ook out patient-gebruik (spoed, raadplegingen, daghospitalen). Zo krijgen we data over welke antibiotica wanneer en waarom gebruikt worden en kunnen we diensten concrete verbeterpunten geven. De voorbije drie jaar hebben we samen met partners in Nijmegen, Griekenland, Portugal, Roemenië en Litouwen projecten uitgerold om het antibioticagebruik te meten en verbeterprojecten op te zetten (Drive-AMS). Dat was een groot succes. Nu hebben we nieuwe FWO-financiering om de tools aan te passen aan Belgische ziekenhuizen en chronische zorgfaciliteiten. We leggen ons oor daarvoor te luisteren bij collega’s.
Wat zijn de valkuilen daarbij?
Je kent het gezegde: garbage in, garbage out. Het is belangrijk om te waken over de datakwaliteit. Ziekenhuizen voeren de data zelf in, maar onze collega’s controleren de input, om hen te helpen de kwaliteit zo hoog mogelijk te krijgen. Met grote datasets werken vergt veel mankracht: je moet de kwaliteit bewaken, de juiste datasets filteren en goede analyses uitvoeren. Er wordt veel gepraat over data, AI en dashboards, maar men onderschat hoe arbeidsintensief het waken over datakwaliteit is.
Ziekenhuizen moeten zelf manieren vinden en ontwikkelen om beter met hun eigen data aan de slag te gaan
Dataverzameling is cruciaal, maar ook delicaat. Commerciële bedrijven zijn bijzonder geïnteresseerd in die data. Maar in eerste instantie zijn ze van de ziekenhuizen zelf. Ziekenhuizen moeten zelf manieren vinden en ontwikkelen om beter met hun eigen data aan de slag te gaan, en zo hun werking nog beter te begrijpen. Binnen de infectiologie worden veel data gegenereerd, maar die integreren blijft een uitdaging.