OPSTART ADAM-PROJECT
Met het onderzoeksproject ADAM wil AZ Delta operationele data beschikbaar maken om datagedreven ondersteuning te bieden aan artsen en zo de zorg voor de patiënten te verbeteren. Finaal is het doel om op basis van deze data tot voorspellende AI-modellen te komen, voor patiënten met coronaire hartziekte of longkanker. Modellen die de uitkomst van een behandeling, eventuele complicaties en de gezondheidskwaliteit kunnen voorspellen.
Het gaat om data uit ongestructureerde tekst in medische brieven, data gegenereerd door patiënten bij het digitaal invullen van vragenlijsten en data uit draagbare meetinstrumenten zoals wearables.
Data uit niet-gestructureerde Nederlandstalige artsenbrieven en nota’s uit het elektronisch patiëntendossier halen, is moeilijk maar mogelijk door een computer een tekst te laten lezen met menselijk begrip. De zinsdelen en de context die de computer begrijpt, worden gecodeerd in bestaande internationaal gestandaardiseerde codes. Deze codes worden opgeslagen in een gestandaardiseerd datamodel. De data die beschikbaar zijn in dit model, zijn meteen klaar voor verdere geautomatiseerde verwerking, analyse en benchmarking.
AUTOMATISATIE Om dit proces te automatiseren, zullen twee generiek toepasbare programma's worden ontwikkeld. Enerzijds een programma om retrospectieve Nederlandstalige schriftelijke artsennota’s te verwerken. De state-of-the-art voor Neuro Linguistic Programming (NLP) is beschikbaar voor het Engels, maar niet voor het Nederlands en al helemaal niet voor Nederlandstalige artsenbrieven en -nota’s. In dit project zal daarom de nieuwste technologie die is ontwikkeld voor Engelstalige klinische brieven en nota’s onderzocht en aangepast worden voor AZ Delta.
Anderzijds worden de mogelijkheden nagegaan voor de ontwikkeling van een programma om de artsen realtime te helpen bij het ingeven van tekst. Terwijl een arts tekst typt, interpreteert het programma de betekenis en stelt het meest waarschijnlijke volgend zinsdeel voor de klinische tekst voor. Dit in tegenstelling tot bestaande systemen die ofwel hard-coded suggestielijsten gebruiken of hiërarchische categorisering van concepten.
BETER REALLIFEBEELD Het ADAM-platform zal ook data verzamelen buiten het ziekenhuis: bij patiënten die dit wensen, kunnen wearables (bv. slimme polshorloges) de hartslag, zuurstofverzadiging… meten. In plaats van momentopnames (de controle bij de arts) kunnen data continu worden geregistreerd en geven ze een beter reallifebeeld. Daarnaast worden data verzameld via vragenlijsten die de patiënt thuis invult om zo de patiënt tijdens of na een behandeling goed te kunnen opvolgen.
“Het ADAM-platform zal ook data verzamelen buiten het ziekenhuis.”
Het spreekt voor zich dat dit gebeurt met respect voor de privacy van de patiënt en in overeenstemming met de wet op de gegevensbescherming en de wetgeving inzake klinische studies.
Dit najaar kunnen patiënten met een kransslagaderaandoening o.l.v. dr. Karl Dujardin en patiënten met longkanker o.l.v. dr. Ingel Demedts na goedkeuring van de ethische commissie, deelnemen aan de studie.
DIGITALE PATIËNT Nadat alle relevante data zijn klaargezet, is het de bedoeling om deze data te gebruiken als input voor een voorspellend AI-model. De patiëntgegevens uit het gestandaardiseerd datamodel zullen ingezet worden om artsen te ondersteunen in hun besluitvormingsproces. De eerste stap is een algoritme dat in staat is om de relevante karakteristieken van een patiënt op te sporen: een digitale patiënt.
“Het is niet de bedoeling om AI-modellen te ontwikkelen die zelfstandig klinische beslissingen kunnen nemen.”
De digitale patiënten, gecombineerd met de relevante uitkomsten, vormen de trainingsdataset voor een tweede model om de uitkomst van de patiënt te voorspellen ten gevolge van een fictief opgelegde behandeling. Dit zal de arts ondersteunen bij zijn beslissing welke behandeling de beste resultaten geeft; vooral voor twijfelachtige gevallen is dit interessant.
Variabiliteit in zorgefficiëntie is het resultaat van (soms sterke) variatie in behandelingen van (soms zeer verwante) diagnoses, wat zorgt voor verschil in uitkomsten voor de patiënt, medicijngebruik en uiteindelijk tot variatie in kosten voor gezondheidszorg. Een datagedreven benadering, waarbij de gegevens in begrijpelijke taal beschikbaar zijn voor de arts op het moment van zorgverstrekking, kan deze variabiliteit verminderen. Dit resulteert in lagere kosten voor gemiddeld betere patiëntenresultaten.
BETROUWBAARHEID Het is niet de bedoeling om AI-modellen te ontwikkelen die zelfstandig klinische beslissingen kunnen nemen. Het ADAM-project wil de haalbaarheid van dergelijk traject ten gronde onderzoeken en ook de betrouwbaarheid van deze voorspellingen. Ook de reden waarom een model een bepaalde voorspelling maakt, is belangrijk. Maar de uiteindelijke beslissing om het behandelplan bij te sturen blijft echter te allen tijde de verantwoordelijkheid van de arts. Om voorspellende modellen echt in te zetten in de praktijk is bovendien bijkomend klinisch onderzoek nodig in een vervolgtraject.
MEER INFO Kim Denturck Beleidscoördinator innovatie 051 23 75 41 kim.denturck@azdelta.be Auteur: Kim Denturck Foto: stockfoto