LUMC – Machine Learning Deployment

Het Leids Universitair Medisch Centrum (LUMC) is een modern universitair medisch centrum voor onderzoek, onderwijs en patiëntenzorg. Het LUMC staat als innovator voor het verbeteren van de gezondheidszorg en de gezondheid van mensen. Binnen het LUMC wordt er continu onderzoek gedaan naar hoe Machine Learning modellen kunnen bijdragen aan de kwaliteit van zorg. Wanneer zo’n model een succes blijkt wil je deze natuurlijk binnen de organisatie implementeren. Maar dat is zo makkelijk nog niet. Machine Learning deployment binnen een ziekenhuis moet terecht aan veel wet-en-regelgeving voldoen.

Machine Learning modellen implementeren

Project

Binnen het LUMC zijn in de afgelopen periode verschillende Machine Learning modellen ontwikkeld door het WGZ&AI team.

Zo is er o.a. het ‘de box’ model wat aan de hand van thuismetingen bij hartinfarct patiënten voorspelt of er een ongepland bezoek aan de arts nodig is. Daarnaast is er een model voor de spoedeisende hulp wat voorspelt of een binnenkomende patiënt moet worden opgenomen of naar huis kunnen gaan. Nu het ontwikkelen van deze modellen is afgerond moeten deze op een gedegen manier in gebruik worden genomen.

Machine Learning deployment binnen een ziekenhuis moet terecht aan veel wet-en-regelgeving voldoen zoals die van de Medical Device Regulation. Wij ondersteunen het LUMC hierin en zorgen ervoor dat de Machine Learning modellen op een veilige en gedegen manier in productie worden gebracht. Wij laten ons bijstaan door ervaren mensen met juridische kennis binnen het ziekenhuis, om zo aan de wetgeving te voldoen.

Het gewenste resultaat is dat beide modellen op een robuuste manier in gebruik kunnen worden genomen. De modellen draaien op eigen interne servers waarbij de prestaties van de modellen worden gemonitord. Daarnaast is er een acceptatie omgeving waar het model draait zodat verbeteringen hier eerst kunnen worden getest. Voor beide modellen geldt dat de output weggeschreven wordt in een SQL-database welke vervolgens weer als bron dient voor een Dashboard. De gebruikers hiervan zijn betrokken artsen welke de uitkomsten van het model mee kunnen nemen in hun werk.