EUVIMEDEUVIMED entdecken
Multizentrische StudieOpen Access · CC BY 4.0

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

Samuel Max iD, Mounir Bourass iD, Andre van der Mee Mendes, Daniel van der Mee Mendes, Bram Schalkwijk, Zaheer Babar, Lydia Lim, Carlos Elzo Kraemer iD, Brian Kaufman iD, Antony van Dijk, Renske Brekelmans, Priscilla Westbroek und 5 weitere

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.

Auf einen BlickAbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

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)

Extracorporeal Membrane OxygenationVirtual RealityArtificial IntelligenceHumansFemaleNeural Networks, ComputerAdultMaleMiddle AgedElectronic Health RecordsDigital Health

Stichwörter der Autor:innen

artificial intelligencedigital twinextracorporeal membrane oxygenatorneural networktrainingvirtual reality

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}
}
Kostenlos starten →