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.

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.

Blog: Op AI-avontuur in de States

Megan Engels (PhD-student MDL), Derk Klatte (PhD-student MDL) en Sanne Hoogenboom (ANIOS MDL) hebben gedurende hun PhD, onder begeleiding van Monique van Leerdam en Jeanin van Hooft, een jaar onderzoek gedaan naar de vroegdetectie van alvleesklierkanker in Mayo Clinic Jacksonville.

Een jaar naar Florida om onderzoek te doen? Daar was weinig bedenktijd voor nodig. Jacksonville moest nog wel even worden gegoogled en de visum procedure was bepaald geen lachertje, maar acht maanden later was dan toch alles geregeld

Jacksonville, gelegen aan de Atlantische oceaan, is een stad van ‘slechts’ één miljoen mensen, maar qua oppervlakte de grootste stad van de Verenigde Staten. In deze stad is ook Mayo Clinic gevestigd, het ziekenhuis waar wij voor een jaar gaan werken. De PR van het ziekenhuis begint al bij aankomst op het vliegveld met imposante billboards die luiden “When you need answers no one else has been able to find. You Know Where to Go. Mayo Clinic.” Misschien ook een idee voor het LUMC op Leiden Centraal?

Na een periode wennen in Jacksonville, de omgeving, het klimaat en ook de enorme campus van het Mayo Clinic gingen we ons focussen op het doel van dit avontuur: het ontwikkelen van AI-modellen die ons kunnen helpen bij het vroeger opsporen van alvleesklierkanker. Alvleesklierkanker wordt door afwezigheid van symptomen in een vroeg stadium van de ziekte vaak te laat ontdekt, waardoor een curatieve operatie maar in ongeveer 20% mogelijk blijkt te zijn. Indien we deze ziekte eerder kunnen detecteren, zullen we ook de kans op een curatieve resectie en daarmee de overleving verbeteren.

Sanne en Megan zijn allereerst op zoek gegaan naar patiënten met alvleesklierkanker, die in de jaren voor de diagnose alvleesklierkanker een MRI of CT van hun buik hebben ondergaan. In Mayo Clinic bleek ruim 10% van de alvleesklierkanker patiënten een CT of MRI te hebben ondergaan in de 3 jaar voor diagnose. Vervolgens hebben twee ervaren en geblindeerde radiologen, de beelden van deze patienten en gezonde controles opnieuw beoordeeld. In 50-70 % van de patiënten waren achteraf al subtiele, maar zeker ook minder subtiele afwijkingen, zichtbaar in de alvleesklier die eerder niet waren opgemerkt of verkeerd waren geïnterpreteerd. Aan de hand van deze resultaten zijn we samen met wetenschappers van Northwestern University aan het kijken of we een deep-learning model kunnen ontwikkelen die deze afwijkingen detecteert en de radioloog waarschuwt. De eerste resultaten laten zien dat het model hier goed toe in staat is, maar helaas nog te veel mensen als ‘verdacht’ kenmerkt die geen alvleesklierkanker ontwikkelen.

Het project van Derk (momenteel in de VS) richt zich met name op mensen met een erfelijk verhoogd risico op alvleesklierkanker. Deze mensen komen in aanmerking voor screening middels MRI-scans om afwijkingen in de alvleesklier in een zo vroeg mogelijk stadium op te sporen. Helaas blijkt in de praktijk dat we ondanks deze jaarlijkse scans in de meerderheid van de gevallen toch nog te laat zijn. Ons onderzoek richt zich erop om een deep-learning model te ontwikkelen dat ons kan helpen subtiele veranderingen over de jaren heen, die passen bij het ontstaan van alvleesklierkanker, vroeger op te sporen. Een van de grootste uitdagingen zit hem in het verzamelen van voldoende MRI beelden. Deze verzameling wordt daarom gedaan in samenwerking met verschillende ziekenhuizen in de VS. So far so good... Wordt vervolgd!