Onderzoekers gebruiken machine learning om patiëntenzorg te verbeteren

Machine learning kan artsen helpen om patiënten beter te kunnen behandelen. MIT-onderzoekers hebben efficiënte manieren ontdekt om computers in te zetten als hulpmiddel van de verantwoordelijke arts.

Veel informatie

Artsen worden vaak overspoeld met informatie afkomstig van grafieken, testresultaten en andere metrieken. Het kan lastig zin om al deze data voor meerdere patiënten te integreren en monitoren terwijl je real-time behandelingskeuzes moet maken. Nog moeilijker wordt het als data inconsistent wordt gedocumenteerd door verschillende ziekenhuizen. 

In een nieuw onderzoek hebben onderzoekers van de MIT Computer Science and Artificial Intelligence Laboratory (CSAIL) manieren ontdekt waarmee computers artsen kunnen helpen betere medische beslissingen te maken. 

ICU Intervene 

Eén team creërde een machine learning benadering genaamd ‘ICU Intervene’, dat grote aantallen data van van de intensive care gebruikt om te bepalen welke vormen van behandeling nodig zijn voor verschillende symptomen. Het systeem gebruikt ‘deep learning’ om real-time voorspellingen te doen. Daarbij gebruikt het oude situaties van de intesive care. “Het systeem kan in potentie een hulpdmiddel zijn voor intensive care-artsen, die te maken hebben met een stressvolle en veeleisende omgeving”, aldus hoofdauteur Harini Suresh. “Het doel is om data uit medische dossiers te gebruken om zo de gezondheidszorg te verbeteren en een voorspelling te doen over bruikbare interventies.”
 

EHR Model Transfer

Een ander team ontwikkelde een aanpak dat ‘EHR Model Transfer’ heet. Dit model kan de applicatie van voorspellende modellen faciliteren op een elektronisch medisch dossiersysteem (EHR), ondanks dat het getraind is met data van een ander EHR-systeem. 

Belang van beide systemen

Geïntegreerde data van de Intensive Care is belangrijk voor het autonoom maken van het proces van het voorspellen van de gezondheidsresultaten van patiënten.
ICU Intervene richt zich op de voorspelling van vijf verschillende interventies die een breed scala aan kritieke zorgbehoeften bevatten, zoals beademing, het verbeteren van hart- en vaatfuncties en het verlagen van de bloeddruk. 

Elk uur haalt het systeem waarden uit de data die vitale functies representeren, evenals klinische aantekeningen en andere data. Alle data worden gerepresenteerd met waardes die aantonen hoe ver de patiënt van de gemiddelden afzit (waarna verdere behandeling wordt geëvalueerd). Belangrijk is dat ICU Intervene ver in de toekomst voorspellingen kan doen. Zo kan het model bijvoorbeeld al zes uur van tevoren voorspellen of een patiënt een ventilator nodig heeft. De onderzoekers hebben er daarnaast voor gezorgd dat het systeem ook een verklaring geeft voor de voorspellingen die het doet, waardoor artsen meer inzicht in de situatie krijgen. 

Bestaande machine-learning modellen hebben een consistente manier van data-opslag nodig. Het feit dat ziekenhuizen regelmatig hun EHR-systeem veranderen kan grote problemen opleveren als het gaat om data-analyse en voorspellingen. Hier komt het EHR Model Transfer om de hoek kijken.

De aanpak werkt met verschillende versies van elektronische platformen; door het gebruik van natuurlijke taalverwerking worden klinische concepten geïdentificeerd die in verschillende systemen zijn geïntegreerd. Ze worden vervolgens in kaart gebracht aan de hand van veel voorkomende klinische concepten (zoals bloeddruk en hartslag). Dit zou dus betekenen dat het veranderen van een elektronisch systeem in een ziekenhuis of het overplaatsen van een patiënt naar een ander ziekenhuis, geen invloed heeft op de integratie van de data. 

Beide systemen hebben in de toekomst nog verbeteringen nodig om met name de individuele patiëntenzorg zo optimaal mogelijk te maken.

Door: Kelly Bakker
Bron + foto: MIT/Pixabay