Hoe zelflerende algoritmes COVID-19-patiënten helpen beter te ademen

Experimentele opstelling met bademingsmodule en patiëntsimulator

Beademingsapparatuur pompt lucht in en uit de longen van een patiënt, wanneer deze niet meer (voldoende) zelfstandig kan ademen. Door de wisselende luchtstroom kunnen de longen CO2 uitwisselen voor O2 in het bloed en zo voorkomen dat de patiënt overlijdt. Om ervoor te zorgen dat de patiënten de hoeveelheid lucht krijgen die ze nodig hebben, is het cruciaal dat de luchtdruk precies de instructies van de artsen volgt. Als dit niet gebeurt, kan dit leiden tot een hoger sterftecijfer.

Dit lijkt eenvoudiger dan het is. Niet elke patiënt is hetzelfde, en de slang- en ventilatiesystemen die worden gebruikt om de lucht in de patiënt te krijgen kunnen variëren, wat kan leiden tot ongewenste inconsistenties. Er is daarom veel onderzoek gedaan om dit probleem op te lossen, met behulp van technieken als adaptieve regeling (adaptive feedback control). Deze technieken werken alleen goed als er nauwkeurige patiëntmodellen zijn. In de praktijk zijn die echter niet altijd beschikbaar, omdat niet elke patiënt hetzelfde is.

De onderzoekers van de TU/e maken gebruik van een alternatieve besturingstechniek, die universitair hoofddocent Tom Oomen van de faculteit Mechanical Engineering ontwikkelt voor toepassingen in de hightech-industrie, zoals printers en waferscanners. Deze techniek is gebaseerd op zelflerende algoritmen en maakt gebruik van het feit dat de ademhaling van volledig gesedeerde patiënten (wat veel COVID-19 patiënten zijn) doorgaans zeer regelmatig is, net als veel processen in de industrie.

Repetitive Control
De techniek, die Repetitive Control wordt genoemd, kan leren van machinefouten en heeft de mogelijkheid om deze binnen enkele iteraties te corrigeren met behulp van meetgegevens van sensoren in de machine. Door dit te doen voor beademingsapparatuur kan de nauwkeurigheid van de druk en het debiet van het apparaat na een paar keer ademen met een factor tien worden verhoogd, zelfs als de longcapaciteit van de patiënt niet bekend is.

De techniek werd getest op kunstmatige longen in een lab. In alle drie de scenario’s (een baby, een kind en een volwassene) waren de prestaties van de drukvolgsystemen beter dan die van de bestaande apparaten.

“Dankzij het zelflerende algoritme zijn we in staat om zeer nauwkeurige drukniveaus te bereiken, ongeacht de patiënt die op het apparaat is aangesloten. Dit maakt de behandeling veel constanter”, zegt Joey Reinders , promovendus bij de onderzoeksgroep Dynamics and Control van de faculteit Mechanical Engineering en een van de betrokken onderzoekers.

Reinders en zijn collega’s deden het grootste deel van hun onderzoek in 2019, toen de coronapandemie voor veel mensen nog een dystopische fantasie was. “Toen we met ons onderzoek begonnen, hadden we geen idee dat het zo relevant zou worden”, zegt hij. “Ik ben daarom erg blij met de resultaten, die mogelijk levensreddend kunnen worden voor coronapatiënten”.

Verder onderzoek
Hij wijst erop dat er meer onderzoek moet worden gedaan voordat de techniek in de praktijk kan worden toegepast. Reinders en zijn collega’s testten alleen op verdoofde patiënten, voor wie Repetitive Control het beste werkt omdat hun ademhalingspatroon zo regelmatig is. Beademingsapparatuur wordt echter ook gebruikt bij patiënten die nog bij bewustzijn zijn en die misschien onverwacht gaan ademen. De ademdrukregelaar moet ook met dergelijke situaties kunnen omgaan.

Reinders zal zijn promotieonderzoek, dat wordt begeleid door Oomen en professor Nathan van de Wouw, voortzetten om bredere problemen in mechanische beademingssystemen op te lossen. Het gaat dan onder andere om de detectie van patiënt-ventilator asynchronie en de identificatie van de longparameters van de patiënt, zoals stijfheid en luchtwegweerstand.

Ook zal hij nauw samenwerken met zijn werkgever, DEMCON Macawi Respiratory Systems , om de beademingssystemen op IC-afdelingen te verbeteren. Hij heeft daarvoor al contact gehad met het Erasmus MC in Rotterdam.