Cultryx: Precision Diagnostic Stewardship for Blood Cultures Using Machine Learning

Het machine learning-model Cultryx overtreft bestaande klinische heuristieken in het voorspellen van bacteriëmie, waardoor de bloedkweekuitvoering met meer dan 26% kan worden teruggedrongen zonder de pathogeenopsporing in gevaar te brengen, wat leidt tot efficiënter gebruik van diagnostische middelen en een vermindering van onnodige antibioticumexpositie.

De kern

🩸 Het Probleem: De "Grote Bloedkweek-tekort"

Stel je voor dat ziekenhuizen een enorme voorraad bloedkweekflessen hebben. Dit zijn speciale flesjes waarin artsen bloed doen om te kijken of er gevaarlijke bacteriën in zitten (bacteriëmie).

In 2024 raakte deze voorraad wereldwijd op. Het was alsof de supermarkt plotseling alle flessen melk uit de schappen haalde. Omdat er niet genoeg flessen waren, moesten ziekenhuizen rationeren: ze moesten stoppen met het doen van testen of deden er maar één in plaats van twee.

Het gevolg?
Dit was als een schot in de roos, maar dan in de verkeerde richting. Omdat ze niet meer goed konden kiezen wie er getest moest worden, misten ze veel echte ziektes. Het was alsof je een brandblusser gebruikt om een kaars te blussen, maar door de rook van de blusser de echte brand in de keuken niet ziet.

🧠 De Oude Manieren: Waarom ze niet werkten

Artsen gebruiken al jaren regels om te beslissen of ze een bloedkweek moeten doen. De onderzoekers keken naar twee oude manieren:

1. De SIRS-regel (De "Alles-en-Iedereen"-detector):
   • Vergelijking: Dit is als een rookmelder die afgaat bij elke kleine damp van toast.
   • Gevolg: Hij gaat te vaak af. Hij zegt: "Testen!" bij mensen die gewoon een zware verkoudheid hebben, maar geen gevaarlijke bacteriën in hun bloed hebben. Dit leidt tot veel onnodige testen en antibiotica.
2. De Shapiro-regel (De "Veilige-omgeving"-detector):
   • Vergelijking: Dit is als een deurwachter die alleen mensen binnenlaat die er heel ziek uitzien.
   • Gevolg: Hij is te streng. Hij laat veel mensen binnen die wel ziek zijn, maar er rustig uitzien. Hierdoor worden ongeveer 30% van de echte bacteriën gemist.

🤖 De Nieuwe Held: Cultryx (De Slimme Voorspeller)

De onderzoekers van Stanford University hebben een nieuw systeem bedacht: Cultryx.

• Wat is het? Een computerprogramma (kunstmatige intelligentie) dat duizenden medische gegevens van patiënten leest: hun temperatuur, bloeddruk, bloedwaarden, leeftijd en meer.
• Hoe werkt het? Stel je voor dat een super-scherpe detective is die niet alleen kijkt naar één ding (zoals koorts), maar naar het gehele plaatje. Hij ziet patronen die een mens over het hoofd ziet.
• De test: Ze hebben gekeken of een moderne AI (GPT-5) dit ook kon. Het resultaat? De AI faalde. Ze kon de regels niet goed toepassen en miste veel gevallen. De menselijke artsen waren beter, maar te traag om dit voor elke patiënt in een drukke spoedeisende hulp te doen.

Cultryx daarentegen is snel, consistent en slim.

📊 De Resultaten: Meer Veiligheid, Minder Afval

Het onderzoek toonde aan dat Cultryx veel beter werkt dan de oude regels:

• Minder testen: Cultryx kan 26% minder bloedkweekflessen gebruiken. Dat is alsof je in een stad van 100.000 mensen 26.000 onnodige ruzies voorkomt.
• Veiligheid: Het belangrijkste: het mist niet de echte ziektes. Het systeem is zo ingesteld dat het 95% van de echte bacteriën altijd oppikt.
• Het resultaat: Ziekenhuizen kunnen hun voorraad flessen bewaren voor de mensen die het echt nodig hebben, zonder dat er patiënten ziek blijven of overlijden omdat ze niet getest zijn.

📝 De Simpele Versie: De "Cultryxscore"

Niet elk ziekenhuis heeft een supercomputer. Daarom maakten ze ook een Cultryxscore.

• Vergelijking: Dit is als een rekenmachine die je in je broekzak kunt dragen, in plaats van een zware laptop.
• Het is een simpele lijst met factoren (bijv. "Heeft de patiënt koorts? +4 punten", "Is het aantal witte bloedcellen hoog? +3 punten").
• Als je boven een bepaald totaal uitkomt, moet je testen. Onder die grens? Dan is de kans zo klein dat je het bloed kunt sparen.

💡 De Conclusie

Dit onderzoek leert ons iets belangrijks: We kunnen niet zomaar stoppen met testen als er een tekort is. We moeten slimmer testen.

In plaats van te wachten tot er een crisis is en dan willekeurig te rationeren (wat gevaarlijk is), kunnen we nu data gebruiken om precies te weten wie getest moet worden. Cultryx is als een slimme stuwmeer-dam: hij houdt het water (de middelen) vast voor de mensen die echt dorst hebben, en laat de rest rustig stromen.

Dit maakt de zorg veiliger, goedkoper en voorbereid op de volgende crisis.

Technische samenvatting

Probleemstelling

Bloedkweken zijn de gouden standaard voor het diagnosticeren van bacteriëmie, maar ze worden vaak overmatig gebruikt. Dit leidt tot een cascade van onnodige ziekenhuisopnames, blootstelling aan antibiotica, iatrogene schade en een zware belasting van laboratoriumresources. De kwetsbaarheid van dit systeem werd blootgelegd tijdens de wereldwijde schaarste aan bloedkweekflessen in 2024, die leidde tot ruwe rationeringsstrategieën (zoals "hard stops"). Deze niet-geselecteerde vermindering van testen resulteerde in een significante daling (15,3%) in het opsporen van bevestigde bloedstroominfecties (BSI), wat een groot risico voor patiëntveiligheid vormt.

Bestaande aanpakken om dit te beheersen, zoals expert-consensuskaders (bijv. het Fabre-kader) of klinische heuristieken (zoals SIRS-criteria of de Shapiro-regel), blijken ontoereikend:

• Fabre-kader: Zeer arbeidsintensief voor de dagelijkse praktijk en moeilijk te automatiseren met generatieve AI (LLM's), die faalden in het repliceren van de sensitiviteit van menselijke experts.
• SIRS-criteria: Zeer sensitief maar gebrek aan specificiteit, wat leidt tot overdiagnostiek.
• Shapiro-regel: Gebrek aan sensitiviteit, waardoor ongeveer 30% van de bacteriëmiegevallen wordt gemist.

Er is een dringende behoefte aan een schaalbaar, datagedreven instrument dat de pre-test waarschijnlijkheid van bacteriëmie nauwkeurig voorspelt om diagnostische stewardship te verbeteren zonder de patiëntveiligheid in gevaar te brengen.

Methodologie

De studie is een retrospectieve cohortstudie uitgevoerd op data van Stanford Health Care (2015-2025).

1. Data en Cohort:

   • Cohort: 101.812 volwassen ED-consulten waarbij bloedkweken werden besteld.
   • Uitsluiting: Patiënten met een positieve kweek in de voorgaande 14 dagen.
   • Verdeling: Training (2015-2022), Validatie (2023), Test (2024-2025).
   • Outcome: Encounter-level bacteriëmie (positief voor een niet-contaminant pathogeen). Contaminanten (bijv. coagulasenegatieve Staphylococcus) werden als negatief beschouwd voor de primaire analyse, tenzij ze in ≥2 sets voorkwamen.

2. Experimenten:

   • Experiment 1 (Ideale cognitieve basis): Evaluatie van het Fabre-kader toegepast door menselijke experts versus een LLM (GPT-5). Mensen kregen volledige toegang tot data; de LLM kreeg gestructureerde prompts.
   • Experiment 2 (Benchmarking): Vergelijking van bestaande klinische regels (SIRS en Shapiro) met de realiteit.
   • Experiment 3 (Machine Learning): Training van een XGBoost-model genaamd Cultryx met 36 klinische kenmerken (demografie, vitale tekens, labwaarden zoals WBC, CRP, lactaat, shock-index) uit de 48 uur voorafgaand aan de kweekbestelling.
     • Cultryxscore: Een vereenvoudigde, integer-gebaseerde "bedside calculator" afgeleid van de top-15 SHAP-waarden (SHapley Additive exPlanations) van het Cultryx-model, om implementatie zonder ML-infrastructuur mogelijk te maken.
   • Kalibratie: Beide modellen werden gekalibreerd (Platt scaling) om specifieke sensitiviteitsdoelen (85%, 90%, 95%, 98%) te bereiken, waarbij patiëntveiligheid (het niet missen van bacteriëmie) prioriteit had boven het reduceren van testen.

Belangrijkste Bijdragen

1. Cultryx Model: Een geavanceerd ML-model dat bacteriëmie voorspelt met een AUROC van 0,810, wat significant beter is dan traditionele heuristieken.
2. Validatie van AI-grenzen: Het aantonen dat generatieve AI (GPT-5) op dit moment niet betrouwbaar genoeg is om complexe expertkaders (Fabre) te automatiseren voor klinische besluitvorming (sensitiviteit daalde van 95,7% bij mensen naar 71,6% bij AI).
3. Cultryxscore: Een transparant, rekenkundig instrument dat de "digital divide" overbrugt en bruikbaar is in settings zonder geavanceerde IT-systemen.
4. Strategie voor Stewardship: Een bewezen methode om bloedkweekbestellingen te vertragen zonder pathogeenopsporing te compromitteren, zelfs tijdens resource-schaarste.

Resultaten

• Cohort: Prevalentie van bacteriëmie was 7,5%. E. coli was het meest voorkomende pathogeen.
• Experiment 1: Menselijke experts bereikten 95,7% sensitiviteit met het Fabre-kader. GPT-5 behaalde slechts 71,6% sensitiviteit en faalde in het veilig identificeren van risicopatiënten.
• Experiment 2 (Bestaande regels):
  • SIRS: Hoge sensitiviteit (80,2%) maar lage specificiteit (41,2%), wat leidt tot overdiagnostiek.
  • Shapiro: Hoge specificiteit maar lage sensitiviteit (70,2%), wat leidt tot het missen van ~30% van de bacteriëmiegevallen.
• Experiment 3 (Cultryx):
  • Bij een 95% sensitiviteitsdoel (om patiëntveiligheid te waarborgen):
    • Cultryx: Bereikte een specificiteit van 27,9% en een defermentrate (uitstel) van 26,2%. Dit komt overeen met het uitstellen van ongeveer 15.872 bloedkweekflessen in de testcohort, terwijl 98,9% van de negatieve voorspellingen correct was (NPV).
    • Cultryxscore: Bereikte een defermentrate van 20,8% (12.592 flessen bespaard) bij een vergelijkbare sensitiviteit.
  • Top Predictors: Hyperthermie (>38°C), neutrofilie, trombocytopenie, en verhoogde CRP waren de sterkste voorspellers.

Betekenis en Conclusie

De studie toont aan dat machine learning een superieur, datagedreven alternatief biedt voor traditionele klinische heuristieken en expertkaders bij het voorspellen van bacteriëmie.

• Patiëntveiligheid: Door Cultryx strikt te kalibreren op een hoge sensitiviteit (>95%), kan het systeem de "safety net" functie behouden die vaak verloren gaat bij ruwe rationering of het gebruik van onnauwkeurige regels.
• Resourcebesparing: Het model kan meer dan 26% van de bloedkweekbestellingen veilig uitstellen, wat leidt tot aanzienlijke besparingen in flessen, kosten en onnodige antibiotica-expositie.
• Toekomstperspectief: Hoewel de schaarste van 2024 voorbij is, onthult deze studie een structurele zwakte in de huidige zorg: de afhankelijkheid van "high-volume, low-yield" testen als veiligheidsnet. Cultryx biedt een schaalbare oplossing om over te schakelen van crisisgestuurde rationering naar precisie-gestuurde diagnostische stewardship. Dit verbetert niet alleen de efficiëntie, maar verhoogt systematisch de patiëntveiligheid en maakt zorgsystemen veerkrachtiger tegen toekomstige onderbrekingen in de toeleveringsketen.

De auteurs benadrukken dat externe validatie nodig is, maar dat de resultaten een paradigmaverschuiving aangeven: van intuïtieve of regelgebaseerde beslissingen naar geautomatiseerde, datagedreven precisie in de diagnostiek.