Building an Extracorporeal Membrane Oxygenation Digital Twin Using High-Resolution Patient Data: An Artificial Intelligence Model for Virtual Reality Simulation
Aufbau eines ECMO-Digital-Twins mit hochauflösenden Patientendaten: ein KI-Modell für Virtual-Reality-Simulationen
Interdisciplinary CardioVascular and Thoracic Surgery · 03.11.2026 · 41 (11)
DOI: 10.1093/icvts/ivag047 ↗Auf einen Blick
Aus Daten von 335 Patient:innen aus 2 Zentren wurde ein ECMO-Digital-Twin für VR-Training entwickelt. Das Modell zeigte klinisch plausible Vorhersagen und gute Testergebnisse bei 21 Expert:innen.
Fragestellung
Kann aus hochauflösenden ECMO- und Patientendaten ein Digital Twin für Virtual-Reality-Training entwickelt werden?
Methode
Entwicklung eines hierarchischen 2-stufigen KI-Systems mit synchronisierten Daten im 30-s-Raster; Testung in einer VR-Simulation und durch 21 Expert:innen.
Ergebnisse
Auf dem Testset betrugen die RMSE 15,23 mm Hg für diastolischen arteriellen Blutdruck, 19,50 BPM für Herzfrequenz, 2,94 % für periphere Sauerstoffsättigung und 1,42 mm Hg für endtidales CO2. Die Vorhersagen waren klinisch kohärent.
Einschränkungen
Keine externe Validierung; die Autor:innen nennen eine Grundlage für multizentrische Validierung und föderiertes Lernen.
Schlussfolgerung der Autor:innen
Hochauflösende ECMO-Daten können in einen Digital Twin für VR-Training umgewandelt werden.
Kernaussagen
- Digital Twin aus ECMO- und EHR-Daten von 335 Patient:innen entwickelt
- RMSE: 15,23 mm Hg, 19,50 BPM, 2,94 % und 1,42 mm Hg
- VR-Simulation mit klinisch plausiblen physiologischen Reaktionen
Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.
Kurz gefasst
Multizentrische Studie in der Zeitschrift Interdisciplinary CardioVascular and Thoracic Surgery, online erschienen am 19.02.2026. Verfasst von Samuel Max und 16 weiteren Autor:innen. Beteiligte Einrichtung: Department of Cardiothoracic Surgery, Leiden University Medical Center, Leiden, 2333 ZA, The Netherlands. Hauptthemen laut MEDLINE: Extracorporeal Membrane Oxygenation, Virtual Reality, Artificial Intelligence. Die Arbeit wurde bisher 1-mal zitiert (Crossref) und nennt 22 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0). Gefördert von: LUMC Fellowship Grant 2023.
Themen: Künstliche Intelligenz in der Pflege, Simulation in der Pflegeausbildung
Abstract (Originalsprache)
Objectives
Extracorporeal membrane oxygenation (ECMO) is a life-saving therapy for severe cardiopulmonary failure, but structured training remains constrained by costs, logistics, and the absence of validated high-fidelity simulators. This study aimed to develop an ECMO digital twin capable of supporting training in virtual reality (VR).
Methods
We integrated high-frequency ECMO machine data with electronic health record information from 335 patients across 2 centres. Data streams were synchronized at a 30-s resolution. A hierarchical 2-stage system was designed: Model 1 predicted ECMO device outputs, while Model 2 combined those outputs with patient vital functions such as heart rate and blood pressure. This model was integrated into a VR simulation and underwent testing by 21 experts.
Results
Model 2 demonstrated root mean square errors (RMSEs) of 15.23 mm Hg (diastolic arterial blood pressure), 19.50 BPM (heart rate), 2.94% (peripheral oxygen saturation), and 1.42 mm Hg (end-tidal carbon dioxide) on the test set. Neural networks produced clinically coherent predictions. The models were implemented in an unreal engine-based VR simulator using the open neural network exchange format, with real-time latency inference and scenario switching. Expert testing confirmed good performance and clinically plausible physiological responses in the simulation.
Conclusions
High-resolution ECMO data can be transformed into a digital twin for VR training. This framework broadens access to advanced ECMO education and establishes a foundation for multicentre validation, federated learning, and future expansion towards a critical-care digital-twin platform.
Schlagwörter
MeSH-Schlagwörter (MEDLINE)
Stichwörter der Autor:innen
Autor:innen und Institutionen
- Department of Cardiothoracic Surgery, Leiden University Medical Center, Leiden, 2333 ZA, The Netherlands.
- Department of Cardiothoracic Surgery, Erasmus MC University Medical Center, Rotterdam, 3015 GD, The Netherlands.
- Department of Medicine, NYU Langone Health, New York, NY 10010, United States.
- Department of Anesthesiology, NYU Langone Health, New York, NY 10010, United States.
- Department of Neurosurgery, NYU Langone Health, New York, NY 10010, United States.
- Department of Cardiothoracic Surgery, Amsterdam UMC, Amsterdam, 1105 AZ, The Netherlands.
ORCID-Profile: Samuel Max, Mounir Bourass, Carlos Elzo Kraemer, Brian Kaufman, Robert Klautz, Jerry Braun, Edris Mahtab
Förderung
- LUMC Fellowship Grant 2023
Zitieren
APA
Max, S., Bourass, M., van der Mee Mendes, A., van der Mee Mendes, D., Schalkwijk, B., Babar, Z., Lim, L., Elzo Kraemer, C., Kaufman, B., van Dijk, A., Brekelmans, R., Westbroek, P., Mostafa Ali, A., Hugo, J., Klautz, R., Braun, J., & Mahtab, E. (2026). Building an Extracorporeal Membrane Oxygenation Digital Twin Using High-Resolution Patient Data: An Artificial Intelligence Model for Virtual Reality Simulation. Interdisciplinary CardioVascular and Thoracic Surgery, 41(11). https://doi.org/10.1093/icvts/ivag047
Vancouver
Max S, Bourass M, van der Mee Mendes A, van der Mee Mendes D, Schalkwijk B, Babar Z, et al. Building an Extracorporeal Membrane Oxygenation Digital Twin Using High-Resolution Patient Data: An Artificial Intelligence Model for Virtual Reality Simulation. Interdisciplinary CardioVascular and Thoracic Surgery. 2026;41(11). doi:10.1093/icvts/ivag047
BibTeX
@article{Max2026,
author = {Max, Samuel and Bourass, Mounir and van der Mee Mendes, Andre and van der Mee Mendes, Daniel and Schalkwijk, Bram and Babar, Zaheer and Lim, Lydia and Elzo Kraemer, Carlos and Kaufman, Brian and van Dijk, Antony and Brekelmans, Renske and Westbroek, Priscilla and Mostafa Ali, Abdelrhman and Hugo, Juan and Klautz, Robert and Braun, Jerry and Mahtab, Edris},
title = {Building an Extracorporeal Membrane Oxygenation Digital Twin Using High-Resolution Patient Data: An Artificial Intelligence Model for Virtual Reality Simulation},
journal = {Interdisciplinary CardioVascular and Thoracic Surgery},
year = {2026},
volume = {41},
number = {11},
doi = {10.1093/icvts/ivag047}
}
EUVIMED