Tussen kliniek en start-up: PhD onderzoek naar de toepassing van AI in postoperatieve zorg

Door: Siri van der Meijden

Bij het CAIRELab ontwikkelen we zelf AI-modellen, maar doen we ook aan co-creatie of schaffen we bestaande modellen aan. Siri van der Meijden heeft een dubbel-aanstelling en vertelt in deze blog over haar rol in het co-creëren van AI-modellen.

Nadat ik voor mijn master Technical Medicine op de Intensive Care (IC) onderzoek had gedaan naar het voorspellen van heropname op de IC door middel van AI wist ik zeker dat ik aan de slag wilde in dit innovatieve veld. Maar in wat voor functie? Zowel in het ziekenhuis als Technisch Geneeskundige of daarbuiten als data scientist bij een start-up sprak mij heel erg aan. Toen kwam er een unieke kans op mijn pad: ik kon aan de slag als PhD-kandidaat in het LUMC en de start-up Healthplus.ai in Amsterdam. In deze gecombineerde positie kan ik mijn medische en technische kennis goed gebruiken in de ontwikkeling van onze tool voor het voorspellen van postoperatieve infecties (PERISCOPE). Daarnaast is het ontzettend motiverend om onderzoek te doen naar de klinische validatie en uiteindelijk implementatie van een voorspellend AI-algoritme en de meer bedrijfsmatige kanten die daarbij komen kijken.

Want zoals al vaak is beschreven is de hype rondom AI in het ziekenhuis groot, maar is het aantal implementaties (buiten de radiologie) schaars. Er komen dan ook veel meer zaken kijken bij het valideren en implementeren van een AI-tool dan alleen het maken van een goed voorspellend algoritme. Gelukkig worden er steeds meer handvatten gepubliceerd om dit in goede banen te leiden, zoals de Leidraad AI. Eén van de grote obstakels voor start-ups is het gecertificeerd krijgen van het product onder de Medical Device Regulation (MDR). Een AI-tool moet nu niet alleen veilig zijn, maar ook aangetoond klinisch effectief voor het de markt op mag, wat zorgt voor jaren aan werk voordat er een CE-keurmerk op mag.

Gelukkig komen we met het hele team steeds weer een stapje verder, en werken we nauw samen met verschillende ziekenhuizen in Europa. Het is ontzettend leuk om te merken hoe enthousiast chirurgen zijn als we ze spreken over ons algoritme om postoperatieve infecties te voorspellen. Infecties zijn een groot klinisch probleem waar elke chirurg mee te maken krijgt en waarvoor een voorspellend AI-algoritme van toegevoegde waarde kan zijn in de tijdige opsporing van infecties. Maar hoe dit in de huidige workflow past, zodat de arts echt iets met de voorspelling kan en uiteindelijk de patiënt ervan profiteert, is een grote uitdaging. Een ogenschijnlijk simpele vraag als “Hoe bepalen we aan de hand van data of een patiënt een infectie heeft gehad?” vereist grondig onderzoek in literatuur, klinische werkwijzen en databases. Daarnaast ben ik bij Healthplus.ai onderdeel van het datascience team. Dit jaar werken we aan de verbetering van ons algoritme en de prospectieve, interne en externe validatie van PERISCOPE. Uiteindelijk werken we toe naar een klinische trial waarmee we de impact op kosten en patiëntuitkomsten gaan onderzoeken.

Ik geloof dat AI uiteindelijk van enorme meerwaarde gaat zijn in de zorg, maar dat we de arts en patiënt in het hele proces centraal moeten stellen. De hype rondom AI is groot en als de verwachtingen niet worden waargemaakt zal dit de acceptatie in de kliniek bemoeilijken. Door goed in gesprek te blijven met clinici, en onderzoek te doen naar de beste validatie en implementatie methoden voor PERISCOPE, hoop ik de komende drie jaar veel kennis op te doen in dit leuke en snel veranderende veld.

Projectomschrijving: Doorstroming op de SEH

Door: Wouter Raven & Laurens Schinkelshoek

Kan je wat meer vertellen over het project?

Op een Spoedeisende Hulp (SEH) krijgen patiënten een beoordeling, behandeling en uiteindelijk een bestemming; ziekenhuis of thuis. Op een SEH moet er altijd plek zijn voor nieuwe patiënten die acuut ziek zijn. Daarom is een goede doorstroom van SEH patiënten binnen het ziekenhuis of naar huis toe heel belangrijk. In ons project kijkt een AI algoritme mee met de dokter om vroeg in het proces te helpen te bepalen welke patiënten moeten worden opgenomen en welke patiënten naar huis kunnen worden ontslagen, zodat de doorstroom naar bestemming eerder en met meer zekerheid kan worden ingezet.

Hoe werkt dit dan? 

Het model heeft op basis van de SEH registraties van de afgelopen 10 jaar geleerd te herkennen welke patiënten opgenomen worden en welke ontslagen. Hiervoor zijn gegevens gebruikt zoals de geregistreerde bloeddruk, hartslag, leeftijd of ingangsklacht, maar ook de medische voorgeschiedenis. Daardoor kan het model nu met de gegevens van nieuwe patiënten die op de SEH aankomen uitrekenen wat de kans is dat de patiënten opgenomen of ontslagen worden. Op deze manier is het voor veel patiënten vrijwel direct duidelijk wat hun uiteindelijke bestemming zal zijn.

Waarom is dit belangrijk?

Het kost een dokter veel tijd én ervaring om per patiënt te beslissen of deze uiteindelijk moeten worden opgenomen in het ziekenhuis of dat ze naar huis mogen. Voor een goede inschatting moet de arts de medische voorgeschiedenis doorpluizen en op uitslagen van onderzoeken wachten, óf veel ervaring hebben. Ons AI model kan dokters ondersteunen door dit heel snel en voor veel patiënten tegelijk de bestemming te bepalen om zo de doorstroom van SEH patiënten te verbeteren. Bij een betere doorstroom worden patiënten sneller opgenomen of ontslagen. Dat is goed voor de patiënt en verlaagt de werkdruk voor de SEH medewerkers.

Blog: Geneeskunde in de Golden State

Wat is de bijnaam van Californië? Juist ja, Golden State. En van Ohio? Potato State. Wij weten dergelijke zaken omdat het verkeer van San Francisco in bepaalde delen van de stad niet vooruit te branden is. Op dat soort momenten biedt de Wikipedia pagina van de USA een welkome afleiding. Een maand geleden verhuisden wij naar de Bay Area om voor een halfjaar onderzoek te doen in samenwerking met het Boussard Lab van de Stanford Universiteit. Het regionale verkeer biedt een prachtige metafoor voor onze werkzaamheden hier: het is rennen of stilstaan. Na trainingen waar geen eind aan leek te komen, gesteggel over onze aanstelling en bakken met bureaucratie zijn we er klaar voor. Ready, set, go!

Ons project (begeleid door een powerhouse van een PI, dr. Tina Hernandez-Boussard) heeft betrekking op het detecteren van depressieve symptomen bij kankerpatiënten. Depressie heeft een negatief effect op de prognose van kankerpatiënten en wordt vaak over het hoofd gezien. Het doel van dit project is om een machine learning model te trainen dat depressieve symptomen correct weet te classificeren, zodat de patiënt waar nodig extra ondersteuning kan krijgen.

Een eerste uitdaging van dit project is het kwantificeren van depressieve symptomen. Mentale gezondheidsproblemen worden vaak slecht gedocumenteerd in het elektronisch patiëntendossier. Bovendien is het een subjectieve uitkomstmaat en is er dus niet één gouden standard om het uit af te leiden. Een van de doelstellingen van dit project is daarom om verschillende uitkomstmaten die wij tot onze beschikking hebben met elkaar te vergelijken. Je moet hierbij denken aan de medische diagnose van depressie of het voorschrijven van anti-depressiva, maar ook zelf gerapporteerde uitkomstmaten in de vorm van vragenlijst antwoorden, én signalen uit patient-emails of notities van artsen. Aangezien deze laatste uitkomstmaten bestaan uit geschreven tekst (ook wel ongestructureerde data) zullen we in onze analyse gebruik maken van natural language processing. De hoop is dat een machine learning model getraind op een combinatie van deze uitkomstmaten een betrouwbare risico classificatie voor depressieve symptomen produceert. Op basis hiervan kan dan extra hulp geboden worden aan de geïdentificeerde patiënt.

Ook zal het project focussen op het creëren van eerlijke uitkomsten voor iedereen en het identificeren en mitigeren van ‘algorithmic bias’. We spreken van bias als een machine learning model een bepaalde groep mensen onterecht benadeeld zonder dat hier een medische verklaring voor is. Een voorbeeld van bias is bijvoorbeeld een gezichtsherkenningsalgoritmen dat een stuk minder goed de gezichten van vrouwen met een donkere huidskleur herkent. Ook een NLP model, zoals toegepast in het huidige project, kan gevoelig zijn voor bias. Het model kan bijvoorbeeld ongevoelig zijn voor verschillende communicatiestijlen (denk aan mannen vs vrouwen) en daardoor de symptomen van een bepaalde subgroep niet oppikken. Voor geschreven teksten is nog maar weinig onderzoek gedaan naar het kwantificeren en mitigeren van dergelijke bias. Het doel is dan ook om allereerst te bestuderen welke associaties (woorden) het vaakst naar voren komen bij bepaalde subgroepen en wat voor effect dit heeft op een mogelijke classificatie. Vervolgens zullen we kijken naar mogelijke methodes om de bias te minimaliseren.

En met dit prachtige project kijken wij ontzettend uit naar de komende paar maanden: de ‘goedemorg-, uh -middag’ meetings met NL, de CALtrain die de godganse dag door de achtertuin toetert, de inspirerende lab discussions, het rekenen in ponden (gedeeld door twee, duh) en Fahrenheit (gedeeld door wat nou?!), de heerlijke Stanford campus, en de Amerikaanse natuur. Een half jaar lijkt lang, maar de tijd gaat ontzettend snel. Wij rennen dus alvast even door!

Wil je meer weten over het werk van Anne en Marieke, lees dan ook de blog op LUMCGlobal.nl

Meer dan alleen data

Door: Margot Rakers

Vorige maand kwam mij het verhaal van Abraham Wald, een Hongaarse wiskundige, ter oren. Gedurende de Tweede Wereldoorlog kwamen gevechtsvliegtuigen met kogelgaten terug vanuit de gevechtslinie. De geallieerden vonden de gebieden die het vaakst door vijandelijk vuur werden getroffen en tekenden dit uit op hun bouwtekeningen (zie figuur via link). Ze probeerden de meest beschadigde delen van de vliegtuigen te versterken om het aantal neergeschoten vliegtuigen te reduceren. Echter, veranderde dit niets aan de situatie. Abraham Wald wees toen op het feit dat er mogelijk een andere manier was om naar de datapunten te kijken. Hij veronderstelde dat de reden dat delen van de vliegtuigen niet bedekt waren met kogelgaten kon zijn dat juist de vliegtuigen die op deze plekken geschoten waren niet terug kwamen. Dit inzicht leidde ertoe dat de bepantsering werd versterkt op de delen van het vliegtuig waar geen kogelgaten waren. En met succes.

Locatie van de getroffen plekken op het vliegtuig. (McGeddon, CC BY-SA 4.0, via Wikimedia Commons)

Het verhaal van Abraham Wald beschrijft mooi de manier waarop we naar data kunnen kijken. Hij noemt het ook wel survivorship bias; het concentreren op de mensen of dingen die door het selectieproces zijn gekomen en degenen die dat niet zijn over het hoofd zien, meestal vanwege hun gebrek aan zichtbaarheid. In de klinische praktijk gebeurt misschien wel hetzelfde. Clinici zijn voortdurend bezig met het verzamelen en samenstellen van stukjes data verkregen van individuele patiënten om beslissingen te nemen over de diagnose, prognose en behandeling van de patiënt. Klinische beslisondersteuning systemen (ook wel clinical decision support systems, CDSS) kunnen hierin helpen bij het identificeren en ordenen van grote hoeveelheden data, patronen en verbanden. Zorgverleners kunnen deze informatie verkregen uit het CDSS gebruiken, maar verkrijgen maar een beperkt deel van het totaalplaatje doordat ze ook te maken hebben met de persoonlijke omstandigheden, omgeving en andere externe factoren die niet meteen in data te vangen zijn. De zorgverlener ziet dit totaal plaatje veel completer. Het verhaal achter de data blijkt dus minstens zo belangrijk te zijn als de data zelf. Dit is een van de redenen waarom Baalen et al., een artikel schreef over Clinical Reasoning Support Systems ipv Clinical Decision Support Sytems (van Baalen et al., 2021). De taak van het CDSS moet dus worden ingebed in het klinisch redeneerproces van de zorgverlener, omdat in het CDSS nog niet alle informatie aanwezig is die nodig is voor de daadwerkelijke beslissing. Het CDSS kunnen we dus beschouwen als een hulpmiddel bij het klinisch redeneren; een Clinical Reasoning Support System.

Deze twee voorbeelden vormen een leidraad door mijn promotieonderzoek naar klinische beslisondersteuning in de huisartsenpraktijk. Of eigenlijk moet ik zeggen; naar klinische redeneerondersteuning in de huisartsenpraktijk. Een aantal vragen doet daarbij herhaaldelijk zijn intrede tijdens besprekingen binnen het consortium: Waar ligt de grootste meerwaarde van AI/kennisregels in het klinisch redeneerproces van de zorgverlener? En hoe gebruiken we de grote hoeveelheden aan data in een proces waarin ook sociale, en niet te meten factoren, een rol spelen? Vragen die we ons wat mij betreft niet vaak genoeg kunnen blijven stellen. Ze geven context aan de beslissingen die we maken.