Google werkt aan deep learning modellen die onder andere het risico dat een patiënt komt te overlijden met grote nauwkeurigheid kunnen voorspellen. De modellen analyseren het volledige medische dossier van een patiënt en kunnen hierdoor veel nauwkeurigere voorspellingen doen dan modellen die al langer beschikbaar zijn.
Dit blijkt uit een onderzoekspaper gepubliceerd in Nature. Onderzoekers van Google wijzen erop dat voorspellende statistische modellen van patiënten naar verwachting een belangrijke rol gaan spelen in het personaliseren van medicatie en het verbeteren van de kwaliteit van de zorg. Dergelijke modellen worden traditioneel gebaseerd op informatie uit het medisch dossier van patiënten. Dze modellen worden gecreëerd aan de hand van een handmatige selectie van de meest relevante gegevens uit het medisch dossier. Deze werkwijze is niet alleen tijdrovend, maar zorgt er ook voor dat veel informatie uit het medisch dossier niet in het model wordt meegenomen.
Ongefilterde gegevens analyseren
Google werkt aan deep learning modellen die in staat zijn alle ongefilterde gegevens uit een medisch dossier razendsnel te analyseren en op basis van deze data voorspellingen te doen. Ook eventuele handgeschreven notities van artsen worden in de analyses meegenomen. Het deep learning model beschikt hierdoor over veel meer informatie dan het handmatig gecreëerde statische model en kan dan ook nauwkeurigere voorspellingen doen.
De deep learning modellen kunnen worden ingezet om uiteenlopende medische voorspellingen te doen over een patiënt. Denk hierbij aan de uitkomst van een specifieke behandeling, hoe lang een patiënt in het ziekenhuis zal moeten verblijven en op welk tijdstip deze uit het ziekenhuis kan worden ontslagen. Ook kunnen de deep learning modellen voorspellen hoe groot het risico is dat een patiënt komt te overlijden.
Getest in twee ziekenhuizen
De onderzoekers hebben hun deep learning modellen gevalideerd aan de hand van datasets die beschikbaar zijn gesteld door de University of California, San Francisco (UCSF) en de University of Chicago Medicine (UCM). In deze datasets zijn medische gegevens van 216.221 volwassen patiënten opgenomen die voor een periode van minimaal 24 uur in het ziekenhuis lagen.
Tijdens testen zijn de deep learning modellen onder andere ingezet om te voorspellen:
- of de patiënt zou overlijden tijdens diens verblijf in het ziekenhuis
- of de patiënt binnen dertig dagen na ontslag uit het ziekenhuis opnieuw opgenomen zou worden
- met welke uiteindelijke diagnose de patiënt het ziekenhuis zou verlaten
In alle gevallen bleken de deep learning modellen nauwkeurigere voorspellingen te leveren dat de traditionele voorspellingen modellen uit de praktijk. Daarnaast blijkt het aantal valse positieven te halveren indien de deep learning-modellen worden ingezet.
Auteur: Wouter Hoeffnagel
Bron: Onderzoekspaper ‘Scalable and accurate deep learning with electronic health records’
Bron foto: Pixabay / StockSnap
