AI voorspelt wanneer reuma afspraak nodig is

AI voorspelt wanneer reuma afspraak nodig is

Afgelopen december vond een hackathon plaats in een oude operatiekamer van de Sint Maartenskliniek in Nijmegen, waar zeven geselecteerde data scientists aan mochten deelnemen. In die hackathon week leverde Anchormen als enige niet-zorginstelling een senior data scientist. De opdracht was om met behulp van data science en AI de zorg voor reumapatiënten te ondersteunen. Door het verloop van de ziekte te voorspellen, kunnen reumatologen beter afspraken inplannen.

Waarom deze Hackathon?

Het aantal reumapatiënten bij de Sint Maartenskliniek groeit gestaag. Ziekenhuizen staan onder druk qua kosten en het aantal reumatologen neemt niet toe. Een effect hiervan is dat wachtlijsten beginnen te groeien, wat niet acceptabel is voor de Sint Maartenskliniek. Een beeld dat veel voorkomt in de zorg.

Gelukkig zien we ook mogelijkheden om de zorg anders in te richten, waardoor patiënten minder vaak onnodig langs hoeven te komen. Hierdoor is er winst voor zowel het ziekenhuis als de patiënt. Niet alleen de wachtlijsten nemen af, maar ook heeft dit zichtbare gevolgen voor de patiënt die minder vrij hoeft te nemen van zijn werk, minder tijd onderweg is en minder moet wachten. Onnodige zorg voorkomen is een belangrijke remedie tegen het tekort van artsen en zorgkosten.

Het aantal periodieke afspraken verminderen is een oplossing, maar moet wel goed onderbouwd worden. Op basis van welke gegevens kan een reumatoloog data gedreven ondersteund worden om tegen zijn patiënt zeggen: “komt u maar over negen maanden terug ipv zes”?

Wat was de uitdaging?

Hoe kan je de juiste periode tussen reguliere reuma afspraken optimaliseren? Je gaat per patiënt voorspellen hoe de ziekte zich ontwikkeld en of een standaard afspraak verantwoord kan worden afgezegd of uitgesteld. Dit is een mooi voorbeeld binnen het onderwerp Personalized Medicine, waarbij medische beslissingen worden afgestemd op de individuele patiënt.

Tijdens de hackathon werd gekeken naar twee modellen. Het eerste model voorspelt de verwachte ernst van de reuma, uitgedrukt in een DAS score*. Het tweede model voorspelt in welke mate een afspraak zinvol** zal zijn. Dit is een metric die samen met de reumatologen is gedefinieerd en voorspelt of de reumatoloog in de komende afspraak een relevante medische handeling noodzakelijk acht.

De twee scores kunnen samen een goed beeld geven van de situatie van de patiënt. Eén van beide scores is niet genoeg om een situatie in te schatten. Een patiënt kan bijvoorbeeld een lage DAS score hebben en omdat het goed gaat, moet de medicatie worden afgebouwd, waardoor een afspraak inplannen dus zinvol is.

*DAS staat voor Disease Activity Score en is een gewricht score. Hiermee kunnen we de activiteit van de reumatoïde artritis meten. De DAS wordt uitgedrukt in een getal tussen 0 en 10. Hoe hoger het getal, hoe hoger de ziekteactiviteit is. Bij een DAS van maximaal 2,7 is de reuma niet actief is.

**De eigen metric geeft aan hoe zinvol (kans tussen 0 en 1) de afspraak is obv de medische handelingen die daar zijn uitgevoerd. Medische handelingen zijn bijvoorbeeld het zetten van een spuit, of de medicijnen ophogen of afschalen.

Wat is de rol van Anchormen?

In de hackathon kwam de kennis en expertise van verschillende specialisten uit verschillende organisaties samen: UMC Utrecht, VUmc, LUMC, Sint Maartenskliniek, Galapagos, MedxAI en Anchormen. Anchormen droeg bij in de rol van een senior data scientist.

Een senior data scientist is bij uitstek in staat om uit de grote hoeveelheid aan modellen die mogelijk zijn, het best passende model te kiezen en te zorgen dat dit op een robuuste manier wordt geïmplementeerd. Een deep learning model moet bijvoorbeeld niet alleen voorspellingen geven, maar die voorspellingen moeten ook snel, betrouwbaar en reproduceerbaar zijn.

Waaraan werd gewerkt tijdens de hackathon?

De eerste stap bij een dergelijk probleem is het begrijpen en verkennen van de beschikbare data. De vraag is welk type model hier het beste voor kan worden ingezet. Moet je het bij een simpel model houden, of geeft een complexer model een betere match? Als je qua data weinig historie hebt van patiënten, zal je voor een andere benadering kiezen dan wanneer je een uitgebreide afspraken historie hebt. De data bevatte echter gemiddeld negen bezoeken met uitschieters naar soms 40 bezoeken voor de hele historie van een patiënt, waardoor een betrouwbaarder model mogelijk is. Voor een patiënt met weinig historie blijft gelden dat de onzekerheid van de voorspelling omhoog gaat. Iemand die al meerdere jaren een reumatoloog bezoekt, heeft meer data en dus een rijker profiel om voorspellingen op te baseren.

Vervolgens moet de data worden voorbewerkt zodat het model ermee kan omgaan. De datasets bevatten notities van de reumatoloog, medicijngegevens en bloedwaarden. Hoe verwerk je deze gestructureerde en ongestructureerde data tot bruikbare data in het juiste format om een model te kunnen trainen? Tijdens de hackathon kwamen reumatologen tot drie keer per dag langs om vragen te beantwoorden zodat de juiste keuzes konden worden gemaakt. Voor projecten als deze is de afstemming tussen de medicus en de data scientist van groot belang: beiden zijn specialist in hun eigen gebied en moeten van elkaar begrijpen wat ze doen, zodat er een betrouwbaar en bruikbaar model ontstaat.

Er waren slechts vijf werkdagen gedurende de hackathon Er kon pas op de laatste dag gestart worden met het trainen en valideren van het model. Dat vroeg een forse inspanning, maar uiteindelijk was er de die dag een goed en werkend model.

Welke learnings zijn meegenomen?

Het mooie van een hackathon format is dat een gefocuste groep mensen in een korte tijd een significante bijdrage aan onderzoek in de zorg kan leveren. Dat levert voordelen op zoals korte lijntjes en snelle beslissingen. Er ontstaan ook al snel obstakels, zoals het afstemmen van de details van data formats op elkaar; het ene programma gebruikt een komma, het andere een punt om decimale getallen aan te geven.

Een ander belangrijk punt van de aanpak is dat er is gekozen om het model aan te laten geven hoe zeker het is van zijn voorspellingen. Het model voorspelt dan niet een waarde, maar de verwachte range waarbinnen de waarde gaat vallen.

Bijvoorbeeld:

Wanneer de voorspelling voor een patiënt een DAS-waarde tussen de 1.5 en 4.5 heeft, dan wil je als reumatoloog misschien niet het risico nemen dat die waarde te hoog wordt en laat je iemand komen. Bij een voorspelling van een DAS-waarde tussen de 1.3 en 1.5 is het risico van het onterecht uitstellen van een afspraak veel kleiner voor een patiënt.

De vraag voor de reumatologen is dan: welke range en kans vind ik acceptabel om een afspraak uit te stellen?

Hoe verder met dit project?

In vijf dagen is alle data voorbewerkt en een model getest. De Sint Maartenskliniek en de onderzoekers kunnen verder bouwen op het werk dat is neergezet. Het is wellicht nog belangrijker dat er is aangetoond dat de aanpak veelbelovend is en dat men ervaart dat dit type data gedreven toepassingen kunnen bijdragen aan de uitdagingen in de zorg. Ook wordt een paper gepubliceerd op basis van het werk tijdens de hackathon. Op lange termijn is het doel om dit model een hulpmiddel te laten zijn voor reumatologen.

Hoe ziet Anchormen zijn rol in Health?

Anchormen heeft samen met moederbedrijf Quint een stevige positie in de Care, Cure en Life Sciences markt. Anchormen brengt relevante kennis op het gebied van data science, AI en data gedreven innovatie. Met trajecten in de zorg is het extra belangrijk dat samen met zorgprofessionals modellen worden gemaakt. Het begrijpen van het probleem, de data en de communicatie met de medici zorgt ervoor dat Anchormen de technische kennis kan koppelen aan medische kennis en dat we zorgorganisaties kunnen ondersteunen met een goed AI-innovatieproces en robuuste en transparante voorspelmodellen.

Wilt u meer weten over dit project of in gesprek gaan met ons? Neem contact met ons.

Like this article and want to stay updated of more news and events?
Then sign up for our newsletter!

Don't miss out!

Subscribe to our newsletter and stay up to date with our latest articles and events!

Subscribe now

Newsletter Subscription