St. Antonius Ziekenhuis

Data Science Lab heeft in samenwerking met het St. Antonius ziekenhuis de ‘Clinical Decision Support Tool’ (CDST) ontwikkeld. Het doel van de CDST is het ondersteunen van artsen bij het aanvragen van de juiste laboratoriumbepaling op het optimale moment voor elke patiënt. Dit heeft geresulteerd in de ontwikkeling van een model (Random Forest) dat de waarden van drie laboratoriumbepalingen (eGFR-CKD-EPI, Hb en CRP) kan voorspellen op een gekozen moment. 

Daarnaast hebben wij een bijeenkomst georganiseerd waarbij advanced analytics centraal stond. De verschillende gebieden van kunstmatige intelligentie zijn uitgelicht, de buzz-words zijn verklaard en de toepassing van data science belicht. Hoe ziet het data-gedreven ziekhuis van de toekomst er uit? Naast een theoretische component, zijn er praktische voorbeelden uit de praktijk getoond zodat er meer inzicht wordt verkregen in de technische werkelijkheid rondom machine learning en deep learning.

KLINISCHE LABORATORIUMWAARDEN VOORSPELLEN.

De Clinical Decision Support Tool (CDST) heeft als doel het ondersteunen van artsen bij het aanvragen van de juiste laboratoriumbepalingen. Een tweede doel is het voorspellen van het moment waarop deze bepaling het beste plaats kan vinden. De tool is gebaseerd op een dataset met patiënten met niercelcarcinoom die een operatie hebben ondergaan. De volgende drie laboratoriumbepalingen zijn gekozen als use-cases voor dit project:

  1. eGFR-CKD-EPI, als parameter voor de nierfunctie.
  2. Hb, als parameter voor postoperatieve anemie.
  3. CRP, als parameter voor postoperatieve inflammatie.

DOEL

METHODE

De dataset bevatte ±150 parameters, bestaande uit o.a. persoonlijke kenmerken zoals geslacht, leeftijd en BMI. Daarnaast bevat het een grote verscheidenheid aan medische indicatoren zoals tumorgrootte, operatieduur en postoperatieve bloeddruk. De dataset is opgeschoond en verrijkt, na een data-exploratie zijn er drie Random Forest voorspelmodellen getraind. Voor eGFR-CKD-EPI en Hb is er gekozen voor een regressie-model waarbij de waarde van een laboratoriumbepaling wordt voorspeld. Voor CRP is er gekozen voor een classificatie model dat voorspeld of de waarde van een laboratoriumbepaling hoog (aanwezigheid van een infectie) of laag (afwezigheid van een infectie) is.

De accuraatheid van beide regressiemodellen (eGFR-CKDEPI en Hb) is berekend met behulp van de ‘Mean Absolute Percentage Error’ (MAPE). De accuraatheid van het dichotome model (CRP) is bepaald aan de hand van accuracy, precision en recall. In het model voor CRP is een groter gewicht gegeven aan False Negatives (aanwezigheid van infectie, maar geen aanwezigheid voorspeld), aangezien het missen van patiënten met een infectie ernstiger is dan het uitvoeren van niet-zinvolle diagnostiek. Door deze uitkomst meer gewicht te geven wordt de groep False Negatives zo klein mogelijk gehouden. De resultaten van het model zijn inzichtelijk gemaakt middels een dashboard. Naast de voorspelling is de mate van error per use-case inzichtelijk gemaakt. Ten slotte is er ook aangegeven wat het gewicht is van elke parameter in de besluitvorming van het model.

Bij de laboratoriumbepalingen van eGFR-CKD-EPI en Hb voorspelt het model een curve over tijd vanaf het moment na operatie. Bij CRP voorspelt het Random Forest model de kans op een infectie op het huidige moment. Figuur 1 geeft ter illustratie een voorbeeld resultaat van één patiënt. Dag 0 is de dag van de operatie. Vanaf dit moment kan worden voorspeld wat de waarde in de toekomst zal zijn. De accuraatheid van het model voor eGFR-CKD-EPI heeft een score van 89.9% en de accuraatheid van het model voor Hb heeft een score van 90.1%. De accuraatheid van het CRP-model is 88.9%.

Naast de accuraatheid van de modellen is er ook aandacht besteed aan het visualiseren van de mate waarin parameters bijdragen aan voorspellingen. Wanneer een input parameter in hoge mate bijdraagt aan de uitkomst van een voorspelling, geeft dit aan dat een variatie in de waarde van deze parameter de uitkomst van de voorspelling erg kan beïnvloeden. Dit geeft de gebruiker inzicht in de werkzaamheid van het model.

De CDST kan een adviserende rol spelen voor de gebruiker bij de beslissing om een aanvraag voor een laboratoriumbepaling te doen of niet. Daarnaast kan het optimale moment voor de aanvraag worden bepaald. Op deze manier wordt niet-zinvolle diagnostiek gereduceerd en wordt onderdiagnostiek voorkomen. Met behulp van AI wordt hierdoor de inzet van laboratoriumdiagnostiek geoptimaliseerd. Dit resulteert in een kostenbesparing voor zorginstellingen en een verhoging van de zorgkwaliteit doordat patiënten minder worden belast en zorgverleners tijd besparen.

RESULTAAT & IMPACT