AI op de NICU: sneller en zachter screenen van prematuren

Waarom AI zo’n verschil maakt voor de allerkleinsten

Elke dag ondergaan duizenden te vroeg geboren baby’s belastende onderzoeken, alleen al om te voorkomen dat ze later blind worden. Bij retinopathy of prematurity (ROP) gaat het niet om een detail: één gemiste verslechtering kan blijvend gezichtsverlies betekenen.

Dit raakt precies de kern van waar AI in de zorg wél zinvol is: sneller, consistenter en minder belastend beslissen bij kwetsbare patiënten. In deze blog, onderdeel van de serie “AI voor Nederlandse Zorg: Innovatie in de Gezondheidszorg”, kijk ik aan de hand van internationale voorbeelden wat dit kan betekenen voor Nederlandse NICU’s – en hoe je daar als ziekenhuis of innovatiemanager nu al strategisch op kunt voorsorteren.

Wat is ROP en waarom is de huidige screening zo zwaar?

ROP is een oogziekte die ontstaat bij prematuren omdat de bloedvaten in het netvlies nog niet zijn uitontwikkeld. In de zuurstofrijke omgeving van de NICU kunnen die vaten abnormaal gaan groeien. Dat kan leiden tot:

• bloeding in het oog
• netvliesloslating
• blijvend ernstig slechtziendheid of blindheid

In de VS krijgen jaarlijks rond de 14.000 baby’s de diagnose ROP, waarvan 1.100–1.500 een behandeling nodig hebben. De verhoudingen in Europa en Nederland liggen lager, maar de impact per kind en per gezin is enorm.

Hoe gaat ROP-screening nu in zijn werk?

De standaardaanpak is intensief:

• herhaalde fundusfoto’s (netvliesfoto’s) met een speciale camera
• lichamelijk oogonderzoek door een gespecialiseerde oogarts
• baby moet worden gefixeerd, vaak met extra stress en risico op een daling in hartslag of ademhaling

Voor ouders is het een emotioneel beladen moment. Veel ouders kiezen er bewust voor even uit de kamer te gaan. Voor artsen en verpleegkundigen is het technisch uitdagend en tijdrovend, terwijl de capaciteit van neonatale oogartsen schaars is.

Daar komt nog iets bij: de interpretatie verschilt per arts. Hoe “kronkelig” zijn de bloedvaten? Is dat al behandelbare plus-ziekte of nog net niet? Juist dát subjectieve element is iets waar AI goed in kan ondersteunen.

Hoe AI ROP-screening objectiever en efficiënter maakt

De kern: AI-modellen kunnen retinabeelden analyseren en de ernst van vaatveranderingen kwantificeren in plaats van alleen indelen in grove categorieën.

Van drie hokjes naar een score van 1 tot 9

Traditioneel delen artsen ROP in drie groepen in:

• plus-ziekte (behandelindicatie)
• pre-plus
• geen plus

Een AI-model kan dezelfde beelden omzetten in een vasculaire ernstscore op een schaal van 1 tot 9. Hoe hoger de score, hoe groter de tortuositeit (kronkeligheid) van de bloedvaten en dus het risico.

Dat heeft een paar concrete voordelen:

• Minder variatie tussen artsen: de AI kijkt altijd op dezelfde manier naar patronen.
• Snellere beslissingen: één beeld is vaak genoeg voor een risicoscore.
• Eenduidige communicatie: neonatoloog, oogarts en verpleegkundige praten over dezelfde score in plaats van vage termen.

“De score geeft mij direct richting in het behandelplan. Het schept een gemeenschappelijke taal voor alle zorgverleners.” – dr. Emily Cole (oogarts, Colorado)

Voor Nederlandse NICU’s, waar teams vaak over meerdere locaties en diensten samenwerken, is zo’n gedeelde “AI-taal” rond ROP bijzonder aantrekkelijk. Zeker nu passende zorg en regionale samenwerking steeds belangrijker worden.

Minder belasting voor prematuren

Als je dankzij AI:

• sneller ziet welke baby’s laag risico hebben, kun je onderzoeken verminderen of minder vaak herhalen.
• vroeg herkent welke baby’s hoog risico hebben, kun je gerichte follow-up plannen in plaats van iedereen even intensief te monitoren.

Gevolg: minder onderzoeken, kortere onderzoekstijd en minder stress voor zowel baby als ouders. Dat is pure kwaliteitswinst, zonder dat je een nieuwe dure behandeling hoeft in te voeren.

Oculomics: van oogziekte naar “venster op de hele baby”

AI op netvliesbeelden gaat inmiddels verder dan alleen ROP. Het veld dat kijkt naar systemische informatie uit het oog heet oculomics. De gedachte: het oog als “venster op het lichaam”.

Bij prematuren op de NICU wordt nu onderzocht of AI op het netvlies vroegtijdig andere aandoeningen kan signaleren, zoals:

• pulmonale hypertensie (PH)
• bronchopulmonale dysplasie (BPD)

Eerste resultaten suggereren dat AI-verandering in de bloedvaten in het netvlies weken eerder kan oppikken dan traditionele diagnostiek zoals katheterisatie of echo.

Voor een NICU-team betekent dat:

• risicobaby’s eerder identificeren
• behandelbeleid eerder aanpassen (bijvoorbeeld zuurstofstrategie, medicatie, follow-up)
• ouders beter kunnen informeren over verwachtingen en risico’s

Dit past perfect in de Nederlandse beweging naar proactieve, gepersonaliseerde zorg. Wanneer je netvliesdata combineert met vitale parameters, labwaarden en klinische observaties, ontstaat een rijk “AI-dashboard” dat ver vóór verslechtering waarschuwt.

Internationale voorbeelden: wat kunnen Nederlandse NICU’s hiermee?

De beschreven AI-onderzoeken komen vooral uit Amerikaanse centra zoals Children’s Hospital Colorado en Mount Sinai. Maar inhoudelijk sluiten ze naadloos aan bij de opgave van Nederlandse ziekenhuizen: meer doen met minder mensen, zonder in te leveren op kwaliteit.

Voorbeeld 1: ROP-AI en smartphone-telescreening

Onderzoeksleider dr. Praveer Singh laat zien dat ROP-algoritmen:

• goed presteren in meerdere landen
• ook werken met verschillende cameratypes

Bovendien wordt geëxperimenteerd met smartphone-telescreening: goedkopere camera’s gekoppeld aan een telefoon, waarmee beelden op afstand door AI beoordeeld worden.

Voor Nederland is dat interessant voor:

• regionale netwerkzorg: kleinere ziekenhuizen maken beelden, academische centra beoordelen en adviseren.
• nacht- en weekenddiensten: AI kan een eerste triage doen, de oogarts kijkt gericht mee bij hoge scores.

Voorbeeld 2: Pose-AI voor neurologische monitoring

Een ander AI-voorbeeld op de NICU is Pose-AI van Mount Sinai. Dit model gebruikt standaard videobeelden om:

• houdingen en bewegingen van de baby te analyseren
• signalen van lethargie en cerebrale disfunctie vroeg te herkennen

Het model is getraind op meer dan 4.700 uur videobeeld van 115 baby’s met video-EEG.

Belangrijk verschil met de praktijk van nu: neurologische status wordt meestal maar af en toe gecontroleerd, terwijl hartslag en ademhaling continu worden gemonitord. Met AI-beeldanalyse kun je voor neurologie dezelfde stap naar continue, niet-invasieve monitoring maken.

Voor Nederlandse NICU’s die al met camera-observatie, ontwikkelingstrajecten of onderzoek naar hersenbeschadiging bezig zijn, is dit een logisch vervolgstap: van handmatige interpretatie naar geautomatiseerde AI-signalen.

Wat betekent dit concreet voor Nederlandse ziekenhuizen?

De verleiding is groot om dit te zien als “ver-van-mijn-bed-AI” uit Amerika. Ik denk dat dat een fout zou zijn. Wie nu strategisch handelt, kan AI in geboortezorg en neonatologie binnen een paar jaar op een volwassen manier inzetten.

1. Begin bij de workflow, niet bij het algoritme

De grote fout die ik bij veel AI-pilots in de zorg zie: de focus ligt op de techniek, niet op het proces. Voor AI op de NICU geldt:

• Waar in de huidige ROP-workflow zitten vertragingen en variatie?
• Wanneer zijn ouders en baby het meest belast?
• Wie neemt op welk moment beslissingen, en op basis van welke informatie?

Maak dát eerst scherp, samen met neonatologen, oogartsen, verpleegkundigen, verpleegkundig specialisten en oudersvertegenwoordiging. AI moet daar logisch “in vallen”.

2. Richt datagedreven ROP-zorg in

Ook zonder direct een AI-model te implementeren kun je al veel doen:

• standaardiseer hoe en wanneer retinabeelden worden gemaakt
• leg uitkomsten van ROP-onderzoeken gestructureerd vast (in plaats van alleen vrije tekst)
• koppel ROP-data aan klinische uitkomsten op langere termijn

Ziekenhuizen die dit nu goed organiseren, hebben straks een enorme voorsprong als ze een CE-gemarkeerd ROP-AI-systeem willen inkopen of als partner mee willen doen in onderzoek.

3. Denk regionaal: AI als hulpmiddel voor netwerkzorg

In de Nederlandse geboortezorg is regionalisering in volle gang. AI voor NICU en high-care neonatologie kan die ontwikkeling ondersteunen:

• kleinere NICU’s of post-IC-afdelingen maken beelden
• AI doet een eerste risicoscore
• een expertcentrum kijkt gericht mee bij hoge scores of twijfelgevallen

Zo vergroot je toegang tot specialistische zorg zonder overal volledige oogartsdekking te hoeven organiseren.

4. Neem ethiek en draagvlak serieus

AI in de zorg werkt alleen als de gebruikers het vertrouwen. Voor de NICU betekent dat:

• duidelijke uitleg aan ouders: wat doet de AI wél en wat niet?
• afspraken over verantwoordelijkheid: de arts blijft eindverantwoordelijk.
• aandacht voor bias: zijn de algoritmen ook gevalideerd op Europese/Nederlandse populaties?

Ik ben ervan overtuigd dat transparant communiceren hier het verschil maakt. Niet verkopen als magische oplossing, maar als extra paar digitale ogen dat de arts ondersteunt.

Hoe past dit in de bredere AI-strategie van de Nederlandse zorg?

Binnen de serie “AI voor Nederlandse Zorg: Innovatie in de Gezondheidszorg” zien we hetzelfde patroon terugkomen:

• AI helpt bij diagnostische ondersteuning (radiologie, pathologie, oogheelkunde, nu ook NICU).
• AI maakt zorgprocessen efficiënter in een tijd van arbeidskrapte.
• AI kan juist bij kwetsbare groepen – ouderen, oncologiepatiënten, prematuren – bijdragen aan vroegere, minder belastende zorg.

De NICU-casus rond ROP, oculomics en Pose-AI is in mijn ogen een schoolvoorbeeld van “goede AI” in de zorg:

• helder probleem (ROP, neurologische achteruitgang)
• grote impact per patiënt
• objectieve beelddata
• duidelijk klinisch beslismoment

Ziekenhuizen die nu ervaring opbouwen met dit soort toepassingen, leggen de basis voor een breder AI-ecosysteem: van geboortezorg tot chronische zorg en oncologie.

Waar te beginnen als je hiermee aan de slag wilt?

Samengevat zijn dit verstandige eerste stappen voor Nederlandse NICU- en innovatie­teams:

1. Inventariseer huidige ROP- en neurologische monitoringprocessen.
2. Maak data-infrastructuur op orde: beeldopslag, gestructureerde verslaglegging, koppelvlakken met EPD.
3. Zoek samenwerking met academische centra, oogartsen en AI-onderzoeksgroepen.
4. Selecteer 1 of 2 concrete use-cases (bijvoorbeeld ROP-score of bewegingsanalyse) in plaats van een breed AI-wensenlijstje.
5. Betrek ouders en verpleegkundigen vanaf dag één; zij voelen als eersten of iets echt werkt aan het bed.

Wie nu klein, gericht begint, kan binnen enkele jaren sneller screenen, objectiever beoordelen en NICU-zorg minder belastend maken. Niet door artsen te vervangen, maar door ze beter te laten zien wat er met hun allerkleinste patiënten gebeurt.

De vraag is dus niet of AI op de NICU gaat komen, maar welke Nederlandse organisaties klaarstaan om het in te zetten op een manier die past bij onze waarden: menselijk, zorgvuldig en gericht op passende zorg.