Improving Turnaround Times with Artificial Intelligence in Microbiology

Deze tweecentra-studie toont aan dat de integratie van AI-software (PhenoMATRIX) in volledig geautomatiseerde microbiologielaboratoria de doorlooptijd voor urinekweken aanzienlijk verkort, met name wanneer deze wordt aangevuld met automatische resultaatpublicatie.

De kern

Stel je voor dat een microbiologisch laboratorium een enorme, drukke postkamer is. Elke dag komen er duizenden brieven (de urine-monsters) binnen die moeten worden gelezen, ingedeeld en beantwoord. Vroeger deden mensen dit handmatig: ze keken door een microscoop, schreven notities en stuurden de antwoorden op. Maar er zijn steeds minder mensen die dit werk kunnen doen, en er komen steeds meer brieven.

Om dit op te lossen, hebben twee laboratoria in Canada (een groot ziekenhuis in Halifax en een enorm postkantoor in Brampton) een slimme robot-assistent aangeschaft. Deze robot heet PhenoMATRIX en is een vorm van kunstmatige intelligentie (AI).

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De Slimme Camera die nooit slaapt

In plaats van dat een mens elke dag om dezelfde tijden naar de monsters moet kijken, doet deze AI-assistent het continu.

• De Analogie: Stel je voor dat je een plantje hebt dat je elke dag moet controleren of het groeit. Een mens kijkt misschien één keer per dag. De AI-assistent is echter als een camera die 24 uur per dag op de plant gericht staat. Zodra er ook maar een klein spruitje te zien is, weet de camera dat er iets gebeurt.
• In het lab: De robot neemt foto's van de petrischalen (waar bacteriën op groeien) en kijkt direct of er iets groeit, niets groeit, of dat het "verkeerd" groeit.

2. Het Sorteren van de Brieven

De AI kan heel snel beslissen welke brieven belangrijk zijn en welke niet.

• De Analogie: Stel je voor dat je een berg post hebt. De AI is als een super-snel sorteerapparaat dat zegt: "Deze 70% van de brieven is gewoon 'geen nieuws' (geen bacteriën of onschuldige bacteriën). Die kunnen we direct in de 'afgehandeld'-bak gooien." Alleen de brieven met "gevaarlijke berichten" (ernstige infecties) worden naar de menselijke expert gestuurd voor een tweede kijkje.
• Het resultaat: Mensen hoeven niet meer urenlang naar lege schalen te staren. Ze kunnen zich focussen op de moeilijke gevallen.

3. De "Auto-Antwoord" Functie (PM+)

Op één van de plekken (Halifax) hadden ze zelfs een extra slimme functie: PM+.

• De Analogie: Dit is alsof je een automatische antwoordmachine hebt die zegt: "Als het antwoord 'alles is prima' is, stuur ik het bericht direct naar de patiënt zonder dat ik eerst even naar de chef moet vragen."
• Het resultaat: Patiënten kregen hun uitslag (dat ze geen infectie hadden) veel sneller in hun dossier.

Wat was het effect?

De studie toonde aan dat deze slimme robot de wachttijden voor patiënten flink verkortte:

• In het grote postkantoor (Brampton) kregen patiënten hun uitslag bijna 4 uur eerder.
• In het ziekenhuis (Halifax) was het ongeveer 1,5 uur sneller.

Waarom is dit belangrijk?

Stel je voor dat je een arts bent die wacht op een antwoord om te weten of hij antibiotica moet geven. Elke minuut telt.

• Vroeger: De arts wachtte, de patiënt wachtte, en de technicus zat te wachten tot de volgende ronde om te kijken.
• Nu: De AI werkt als een onuitputtelijke, supersnelle assistent. Hij pakt de simpele taken over, zodat de menselijke experts hun tijd kunnen besteden aan de complexe mysteries.

Kortom: Door slimme computers (AI) te laten meekijken met de robots, kunnen laboratoria sneller werken, minder mensen nodig hebben voor saaie taken, en krijgen patiënten sneller hun antwoord. Het is alsof je van een handgeschreven briefwisseling overstapt naar een supersnel e-mailsysteem dat zichzelf regelt.

Technische samenvatting

Technische Samenvatting: Verbetering van Doorlooptijden in de Microbiologie met Kunstmatige Intelligentie

Probleemstelling
Klinische microbiologielaboratoria staan wereldwijd onder druk door aanhoudende tekorten aan gekwalificeerd personeel en een stijgende instroom van specimens. Hoewel automatisering (zoals het WASPLab-systeem) de efficiëntie al heeft verbeterd, blijft de tijd tot resultaatrapportage (Time to Result Reporting - TTRR) een kritieke factor voor patiëntenzorg. Er is behoefte aan verdere optimalisatie van workflows om de doorlooptijden te verkorten zonder in te leveren op kwaliteit, vooral bij urinekweken die een groot deel van het laboratoriumvolume uitmaken.

Methodologie
De studie was een tweecentraal onderzoek uitgevoerd in Canada tussen mei 2022 en mei 2025, waarbij twee laboratoria met zeer verschillende volumes en werkomgevingen werden vergeleken:

1. QEII Health Sciences Centre (Halifax): Een groot academisch ziekenhuis (tertiaire zorg) met ongeveer 65.000 urinekweken per jaar.
2. Dynacare Laboratories (Brampton): Een hoogvolume gemeenschapslaboratorium dat 24/7 draait en ongeveer 650.000 urinekweken per jaar verwerkt.

Interventie:
De laboratoria implementeerden PhenoMATRIX (PM), AI-software van Copan Diagnostics die digitale plaatbeelden analyseert om bacteriegroei te beoordelen en kweekplaten te sorteren op basis van:

• Geen groei.
• Geen significante groei (< 10 kolonies/plaat).
• Gemengde groei (> 2 kolonietypes).
• Specifieke koloniekleuringen op chromogene media.

Bij het QEII-laboratorium werd daarnaast PhenoMATRIX PLUS (PM+) geïmplementeerd, een functie die gedefinieerde resultaten (zoals "geen groei" of "normale flora") automatisch vrijgeeft naar het patiëntendossier zonder menselijke tussenkomst.

Datacollectie:
De TTRR werd gemeten als de tijd vanaf het moment dat het specimen op het geautomatiseerde systeem werd geplaatst (of ontvangen, afhankelijk van de locatie) tot de definitieve goedkeuring en vrijgave in het Laboratorium Informatiesysteem (LIS). De prestaties werden vergeleken tussen een periode voor de implementatie (PrePM) en na de implementatie (PostPM en PostPM+).

Belangrijkste Bijdragen

• Dit is de eerste tweecentraal evaluatie in Noord-Amerika van de impact van PM-AI-algoritmen op urinekweek-doorlooptijden.
• Het onderzoek toont aan dat AI-integratie in volledig geautomatiseerde workflows schaalbaar is, zowel in kleine tertiaire ziekenhuizen als in zeer grote community-laboratoria.
• Het introduceert het concept van "auto-release" (PM+) voor niet-significante kweken als een cruciale stap naar volledige end-to-end automatisering.

Resultaten
De implementatie van AI resulteerde in significante verkorting van de doorlooptijden in beide centra:

• QEII (Halifax):

  • De gemiddelde TTRR nam af met ongeveer 1 uur en 26 minuten.
  • Met PM+ werd een groot deel van de rapportage versneld: het percentage definitieve rapporten dat binnen 17 uur beschikbaar was, steeg van 8,6% (PrePM) naar 26,3% (PostPM+).
  • Binnen 18 uur waren 51,9% van de rapporten beschikbaar (vs. 34,1% voorheen).
  • Het percentage kweken dat langer dan 24 uur in behandeling bleef, daalde van 31,0% naar 24,4%.

• Dynacare (Brampton):

  • De gemiddelde TTRR nam af met ongeveer 3 uur en 51 minuten.
  • Het percentage rapporten dat binnen 17 uur werd vrijgegeven, steeg van 10,5% naar 25,9%.
  • Binnen 18 uur waren 47,9% van de rapporten klaar (vs. 20,8% voorheen).
  • Het percentage rapporten dat langer dan 24 uur uitbleef, daalde met 15,7% (van 43,3% naar 27,6%).

Significantie en Conclusie
De studie concludeert dat kunstmatige intelligentie, gecombineerd met volledige laboratoriumautomatisering, een game-changer is voor de klinische microbiologie. De belangrijkste voordelen zijn:

1. Efficiëntie: Significante reductie van de tijd tot resultaat, wat snellere klinische beslissingen mogelijk maakt.
2. Personeelsoptimalisatie: Door automatische vrijgave van negatieve of niet-significante kweken (via PM+), kunnen laboranten zich richten op complexere, klinisch relevante gevallen.
3. Schaalbaarheid: De technologie werkt effectief ongeacht het volume of het type instelling.

De auteurs benadrukken dat deze evolutie naar "slimme incubatie" en AI-gestuurde interpretatie de weg effent voor volledig geautomatiseerde diagnostiek, waarbij menselijke expertise wordt ingezet voor de meest complexe patiëntenzorg.