{"id":16999,"date":"2026-08-23T11:34:50","date_gmt":"2026-08-23T09:34:50","guid":{"rendered":"https:\/\/dodo.proefschriftmaken.nl\/portfolio\/eris-van-twist\/"},"modified":"2026-08-25T09:56:08","modified_gmt":"2026-08-25T07:56:08","slug":"eris-van-twist","status":"publish","type":"us_portfolio","link":"https:\/\/dodo.proefschriftmaken.nl\/en\/portfolio\/eris-van-twist\/","title":{"rendered":"Eris van Twist"},"content":{"rendered":"","protected":false},"excerpt":{"rendered":"","protected":false},"author":8,"featured_media":17000,"comment_status":"closed","ping_status":"closed","template":"","meta":{"_acf_changed":false,"footnotes":""},"us_portfolio_category":[45],"class_list":["post-16999","us_portfolio","type-us_portfolio","status-publish","has-post-thumbnail","hentry","us_portfolio_category-new-template"],"acf":{"main_text":"","naam_van_het_proefschift":"Data-Driven Paediatric Critical Care","samenvatting":"Kritiek-zieke kinderen op een intensive care (IC) genereren grote hoeveelheden gegevens afkomstig uit continue, hoogfrequente en multimodale monitoring. Hoewel deze gegevens, gezamenlijk data, inzicht bieden in de klinische status, overstijgen ze het menselijk vermogen om direct aan het bed ge\u00efnterpreteerd te worden. De vertaling van ruwe data naar bruikbare informatie wordt bemoeilijkt door de omvang van de data, evenals onderliggende imperfecties zoals ruis, heterogeniteit en ontbrekende gegevens. Deze complexiteit, in combinatie met de urgentie van IC zorg, maakt algoritmen met analytisch en interpretatievermogen noodzakelijk om de vertaalslag te maken van data naar bruikbare informatie. Dit proces, waarbij data actief bijdraagt aan zorg en klinische besluitvorming, staat bekend als data-gedreven zorg.\n\nOndanks toenemend onderzoek naar data-gedreven algoritmen in de zorg, is er een aanhoudende kloof naar implementatie, waardoor de impact op de klinische praktijk beperkt blijft. Deze kloof wordt veroorzaakt door methodologische inconsistenties, gebrekkige (data) kwaliteit en beperkte transparantie van algoritmen, een tekort aan vertrouwen van clinici en workflow barri\u00e8res. Om de chaos compleet te maken zijn monitoringdata vaak gefragmenteerd over diverse informatiesystemen, met onderlinge variatie in resolutie en structuur en bevatten ze ruis of ontbreken er gegevens. Terwijl voor clinici de waarde van data in het zorgproces niet altijd direct voelbaar is, beschikken ingenieurs en datawetenschappers onvoldoende kennis over de klinische context. Om de chaos te ontrafelen, is er een methodologische basis nodig, gevestigd in expertise op het snijvlak van gezondheidszorg, technologie en datawetenschap.\n\nDit proefschrift presenteert de dataketen (data pipeline) als fundamenteel onderdeel van deze basis. De dataketen beschrijft het traject waarin ruwe data worden verwerkt tot een interpreteerbare uitkomstmaat, en biedt daarbij een gestandaardiseerde werkwijze voor de ontwikkeling, rapportage en beoordeling van klinische algoritmen. Belangrijke stappen in de dataketen zijn dataverzameling en -verwerking, algoritmeontwikkeling en -validatie, en (interpretatie van) de uitkomst. Transparante rapportage van de dataketen vormt daarbij de hoeksteen van reproduceerbaarheid.\n\nRobuuste en reproduceerbare algoritmes ontwikkelen is uitdagend, o.a. door variatie in doeleinden, analytische methoden en klinische context. Kwaliteitscontrole is hierbij van groot belang. In Sectie II beoordelen we instrumenten voor kwaliteitsbeoordeling op hun toepasbaarheid voor algoritmen. Deze bleken gefragmenteerd, beperkt toepasbaar of onvoldoende uitgewerkt. Om die redenen is DATA-CARE ontwikkeld, een instrument voor kwaliteitsbeoordeling van diverse klinische algoritmen. DATA-CARE focust uniek op de dataketen en integreert belangrijke kwaliteitsdomeinen uit de klinische, epidemiologische en datawetenschappen. Hierdoor ontstaat een praktische, omvattende kwaliteitsbeoordeling die bovendien indirect een standaard cre\u00ebert voor de toekomst. Hoewel verdere validatie nodig is, tonen de eerste resultaten een hoge betrouwbaarheid. Belangrijker nog, de huidige literatuur toont aan dat algoritmen binnen de kinder-IC voornamelijk van beperkte kwaliteit zijn, door tekortkomingen in datakwaliteit en onvoldoende transparantie van de dataketen. Ook worden statistische principes, zoals stratificatie van subgroepen en sensitiviteitsanalyses, vaak verwaarloosd. Deze tekortkomingen dragen ongetwijfeld bij aan de implementatiekloof, omdat voor implementatie algoritmen robuust, reproduceerbare en betrouwbaar moeten zijn.\n\nVoortbouwend op de basis, worden in Secties III t\/m V algoritmen ontwikkeld voor diverse klinische toepassingen. In Sectie III worden twee machine learning modellen ontwikkeld voor automatische slaapclassificatie op basis van electro-encefalografie (EEG) en electrocardiografie (ECG) data in niet-kritiek-zieke kinderen. In Sectie IV wordt een neuromonitoring algoritme ontwikkeld waarbij op basis van cerebrale autoregulatie (PRx) streefwaarden worden bepaald voor optimale cerebrale perfusiedruk (CPPopt) en cumulatieve intracrani\u00eble druk (ICPcum) in kinderen met traumatisch schedel-hersenletsel. Sectie V presenteert een proof-of-concept model dat pulmonale hypertensie en cardiale dysfunctie voorspelt bij neonaten met congenitale hernia diafragmatica, op basis van monitoringdata zoals vitale parameters, hartslagvariabiliteit en zuurstofsaturatie-index.\n\nBinnen de drie toepassingen zijn dataketens opgesteld op basis van monitoringdata. De resultaten tonen dat data in de praktijk niet vanzelfsprekend als betrouwbaar kunnen worden beschouwd, en benadrukken het belang van dataverwerking om heterogeniteit, ruis en ontbrekende gegevens te beperken. Hiervoor werd een minimaal protocol voor artefactdetectie en filtering toegepast, werden analyses aangepast aan patronen van ontbrekende gegevens, en werd heterogeniteit gemitigeerd door dataverdelingen aan te passen en\/of te kalibreren. De selectie van features, onderscheidende eigenschappen van de data, en labelling, het annoteren van uitkomstmaten (labels) aan de data, bleken cruciaal in de dataketen. In dit proefschrift werden features geselecteerd op basis van een combinatie van klinisch inzicht en data eigenschappen, terwijl labels waar mogelijk werden bepaald uit de gouden standaard of best beschikbare alternatieven. Toekomstig onderzoek moet labelling verfijnen, vooral in afwezigheid van een gouden standaard, en daarnaast data standaardiseren en valideren. Samen laten deze toepassingen zien hoe continue monitoringdata verdiepend inzicht kunnen geven in de individuele pati\u00ebnt, zonder extra belasting voor pati\u00ebnt of zorgverlener.\n\nValidatie van een algoritme is een belangrijke stap richting implementatie. In de literatuur ontbreekt dergelijke validatie veelal. In dit proefschrift zijn algoritmen intern gevalideerd met onafhankelijke datasets en beoordeeld op discriminatie, kalibratie en het vermogen om nieuwe inzichten te verschaffen. In Sectie III zijn slaapmodellen ook extern gevalideerd in een cohort van kritiek-zieke kinderen opgenomen op de IC. De modellen bleken niet te generaliseren naar deze IC-populatie, mogelijk vanwege de sterk afwijkende slaap- en EEG-patronen in deze kinderen. Deze bevinding onderschrijft de noodzaak om goed inzicht in en begrip van de data te hebben die je gebruikt, gedurende alle fasen van de dataketen, om zo analyse en interpretatie te sterken. Idealiter komen daarvoor in de toekomst ook maatstaven van klinisch voordeel op korte- en lange-termijn.\n\nNaast validatie is verklaarbaarheid (explainability) ook vereist voor implementatie. Verklaarbaarheid verwijst naar het vermogen om inzichtelijk te maken hoe en waarom een algoritme tot een bepaalde uitkomst komt. De verklaarbaarheid kan verbeteren door bij te dragen aan de reproduceerbaarheid, middels het openbaar publiceren van code of door transparante rapportage. Het algoritme in Sectie IV is openbaar gepubliceerd om externe validatie te vergemakkelijken. Het succes van openbare ontwikkelingen is echter sterk afhankelijk van de structuur van de data, en onderstreept dus het belang van (inter)nationale data standaardisatie. Verklaarbaarheid is onderhevig aan interpretatie. De streefwaarden van het neuromonitoring algoritme werden daarom ook statistisch geanalyseerd en bleken significant geassocieerd met functionele uitkomst \u00e9\u00e9n jaar na het letsel. Hoewel deze bevinding verder gevalideerd moet worden, toont het de meerwaarde aan van de combinatie tussen traditionele statistiek en moderne algoritmen. Uiteindelijk vormt verklaarbaarheid een basis voor het vertrouwen van clinici, en cre\u00ebert zodoende draagvlak voor implementatie.\n\nDit proefschrift erkent de noodzaak om een methodologische basis te cre\u00ebren voor data gedreven algoritmen in de gezondheidszorg. Onderzoekers en ziekenhuizen moeten investeren in data kwaliteit, gestandaardiseerde dataketens en validatie met oog voor uitlegbaarheid en klinisch voordeel. Tegelijkertijd moet er van bovenaf ge\u00efnvesteerd worden in een interoperabele en gestandaardiseerde data infrastructuur en structurele inbedding van transdisciplinaire kennis. Samen kunnen deze stappen bijdragen aan de kwaliteit van algoritmen en zo de implementatiekloof verkleinen.\n\nData-gedreven zorg biedt de mogelijkheid op tijdige en gepersonaliseerde interventies met als doel het verbeteren van herstel en individuele uitkomsten van kritiek-zieke kinderen. Dit proefschrift toont aan dat de combinatie van transdisciplinaire expertise en een gestructureerde dataketen cruciaal is voor robuuste en reproduceerbare klinische algoritmen in deze kwetsbare populatie.","summary":"Critically ill children admitted to the paediatric intensive care unit (PICU) generate vast amounts of continuous, high-frequency multimodal monitoring data. While these data convey insight into the patient\u2019s status, human cognition precludes a swift translation into actionable information at the bedside. Translating data to information is inherently complex due to its volume, heterogeneity and real-world imperfections such as noise and missingness. This complexity, alongside the urgency of critical care, necessitates algorithms with analytical and interpretive capacity to translate data into actionable information. The resultant process, wherein data is actively used to guide clinical care and decision-making, is known as data-driven healthcare.\n\nWhile research on data-driven algorithms in healthcare has expanded, there is a persistent gap towards implementation, limiting the impact on clinical practice. Underlying the gap are systemic issues including methodological inconsistencies, poor (data) quality control, limited transparency, lack of trust among clinicians and workflow barriers. Adding to the chaos, real\u2011world monitoring data are often fragmented across hospital information systems, differ in resolution and structure, and contain missingness or noise. Clinicians may not fully grasp the immediate value of integrating data in the care process, while engineers and data scientists lack knowledge of the clinical context. Thus, to order the chaos, a methodological foundation is needed, grounded in transdisciplinary expertise at the intersection of medicine, engineering and data science.\n\nThis thesis establishes a methodological foundation for data\u2011driven (paediatric) critical care through the lens of the data pipeline, the conceptual and practical sequence where raw input data flow towards an interpretable output. The data pipeline offers a standardized framework for algorithm development, reporting and reviewing. Important steps are data collection and processing, algorithm development and validation and output (interpretation). Transparent reporting across these stages is essential to ensure algorithm reproducibility.\n\nRobust and reproducible algorithm development is challenging amidst the variation in objectives, analytical approaches and clinical contexts. In Section II, we review existing quality assessment tools and reporting guidelines applicable to algorithms. Quality standards were fragmented, limited in scope or insufficiently established. Therefore, we introduce DATA-CARE, a quality assessment tool that offers critical appraisal of the data pipeline by integrating clinical, epidemiological and data science domains. DATA-CARE allows practical and comprehensive critical appraisal and indirectly sets a standard for future algorithm development. While further validation is necessary, DATA-CARE achieved high reliability. Importantly, DATA-CARE showed that current algorithms in paediatric critical care literature were predominantly of low quality, due to deficiencies in data quality and pipeline transparency. Furthermore, many studies neglected fundamental statistical principles during reporting. The implementation gap is inevitably associated with these quality deficiencies, as clinical implementation requires robust, reproducible and reliable algorithms.\n\nBuilding on the foundation, Sections III through IV explore algorithm development across three PICU use-cases with distinct clinical contexts and analytical strategies. In Section III, two machine learning (ML) models were developed for automated sleep classification using electroencephalography (EEG) and electrocardiography (ECG) data of noncritically ill children. In Section IV, a neuromonitoring algorithm was developed deriving targets for cerebral autoregulation (PRx), optimal cerebral perfusion pressure (ICP) and cumulative intracranial pressure (ICPcum) in children with traumatic brain injury (TBI). Section V presents a proofofconcept model predicting pulmonary hypertension and cardiac dysfunction in neonates with congenital diaphragmatic hernia using routine monitoring data including vital signs, ECGderived heart rate variability (HRV) and oxygen saturation index.\n\nAcross all use-cases, data pipelines were constructed with ingestion of bedside monitoring data. It was illustrated that real-world data cannot be automatically presumed to be correct and require (pre-)processing to mitigate heterogeneity, noise and missingness. A minimal artefact detection and filtering protocol was applied, analyses were adapted to missing data patterns and population heterogeneity was managed through sampling techniques and class-weight calibration. Feature selection, distinctive characteristics of the data, and labelling, mapping outcome measures to data samples, emerged as critical components. In this thesis, features were selected using combined clinical insight and data characteristics, while labels were derived from gold standards or best-available surrogates. Future work should improve labelling strategies, especially in the absence of a gold standard, and implement data standardization and validation. Collectively, the use cases illustrated how continuous monitoring data can generate insights without additional burden on patients and\/or caregivers.\n\nExtensive algorithm validation is needed to bridge the implementation gap. In the literature, such validation using complementary evaluation metrics is frequently omitted. In this thesis, algorithms were internally validated using data withheld from development and assessed using complementary metrics of discrimination and calibration, as well as their ability to generate new insight. In Section III, sleep classification models were externally validated in a cohort of critically ill children. It was shown that models did not generalize to the PICU population. Altered sleep physiology and abnormal data patterns possibly contributed to this, emphasizing the importance of thorough understanding of the data across the data pipeline for robust analysis and validation. Future (external) validation should move beyond binary notions of performance and incorporate clinical utility and long-term outcomes.\n\nExplainability, insight into algorithm decision-making, is another barrier to clinical implementation. Explainability can be enhanced through open source code or transparent reporting. In Section IV, the neuromonitoring algorithm was published open source to facilitate external validation by third parties. However, successful use of open source code critically hinges on data formats, emphasizing the need for (inter)national data standardization. Explainability further hinges on successful interpretation of algorithm-derived outputs. The algorithm-derived neuromonitoring targets in Section IV were statistically analysed, revealing significant associations with unfavourable outcome. Although this finding should be confirmed in future studies, it illustrates how traditional statistics can complement algorithm output. Ultimately, improved explainability provides a basis for clinician trust and supports clinical implementation.\n\nThis thesis underscores the urgent need to establish a methodological foundation for data-driven algorithms in healthcare. Bottom-up improvements are needed in data quality, standardized data pipelines and validation that includes explainability and clinical utility. At the same time, top-down action is needed to establish interoperable data infrastructures and structurally embed inhouse transdisciplinary expertise. Together, these efforts can improve algorithm quality, build clinician trust, bridge the implementation gap and ensure clinical benefit.\n\nData-driven healthcare holds the promise of improved and timely care through patient-tailored monitoring, early warning systems and targeted therapy, ultimately contributing to recovery and outcomes of critically ill children. The presented studies demonstrate the value of transdisciplinary expertise and the data pipeline to create robust and reproducible clinical algorithms in this vulnerable population.","auteur":"Eris van Twist","auteur_slug":"eris-van-twist","publicatiedatum":"14 oktober 2026","taal":"EN","url_flipbook":"https:\/\/ebook.proefschriftmaken.nl\/ebook\/erisvantwist?iframe=true","url_download_pdf":"https:\/\/ebook.proefschriftmaken.nl\/download\/42411d3e-4722-426b-8a93-1ce9310fcd80\/highres","url_epub":"","ordernummer":"19354","isbn":"978-94-6534-542-0","doi_nummer":"","naam_universiteit":"Erasmus Universiteit Rotterdam","afbeeldingen":17001,"video_url":"","podcast_url":"","naam_student:":"","binnenwerk":"","universiteit":"Erasmus Universiteit Rotterdam","cover":"","afwerking":"","cover_afwerking":"","design":""},"_links":{"self":[{"href":"https:\/\/dodo.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio\/16999","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/dodo.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio"}],"about":[{"href":"https:\/\/dodo.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/types\/us_portfolio"}],"author":[{"embeddable":true,"href":"https:\/\/dodo.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/users\/8"}],"replies":[{"embeddable":true,"href":"https:\/\/dodo.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/comments?post=16999"}],"version-history":[{"count":1,"href":"https:\/\/dodo.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio\/16999\/revisions"}],"predecessor-version":[{"id":17002,"href":"https:\/\/dodo.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio\/16999\/revisions\/17002"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/dodo.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/media\/17000"}],"wp:attachment":[{"href":"https:\/\/dodo.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/media?parent=16999"}],"wp:term":[{"taxonomy":"us_portfolio_category","embeddable":true,"href":"https:\/\/dodo.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio_category?post=16999"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}