St Antonius – Artsen ondersteunen met AI

Een AI-pilot voor de ‘Clinical Decision Supper Tool’ (CDST). Samen met afdelingen Urologie, Klinische Chemie, Value Based Health Care en Business Intelligence was het doel om te onderzoeken hoe de tool artsen kan ondersteunen door het voorspellen van de waarde van een laboratoriumbepaling op een toekomstig bloedafname moment.

De laboratoriumbepalingen die als use-case zijn gekozen voor dit project zijn eGFR-CKD-EPI (verminderde nierfunctie), Hb (anemie) en CRP (inflammatie).

De resultaten van het model zijn inzichtelijk gemaakt door middel van een dashboard. Naast de voorspelling is ook de mate van error per use-case inzichtelijk gemaakt. Daarnaast wordt 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 de waarden in bloed op een moment van bloedafname een korte periode na operatie. Bij CRP voorspelt het Random Forest model de waarde in bloed direct na operatie.

De tool ondersteunt de gebruiker bij de beslissing om een aanvraag voor een laboratoriumbepaling te doen of niet. Daarnaast geeft de voorspelde waarde een indicatie van het verloop van herstel van de patiënt. Door het advies kan niet-zinvolle diagnostiek gereduceerd worden en wordt onder-diagnostiek voorkomen, waardoor de kwaliteit van zorg verbetert en kosten worden gereduceerd.

Hypothetisch voorbeeld: na een operatie kan het zijn dat een patiënt meerdere keren geprikt wordt om met behulp van waarden uit laboratoriumbepalingen het verloop na operatie te kunnen volgen. Een patiënt moet hiervoor meerdere keren terugkomen om geprikt te worden, hetgeen geld kost voor het ziekenhuis en tijd voor de patiënt. De tool zou mogelijk aan kunnen geven dat het onnodig is dat de patiënt met deze hoge frequentie wordt geprikt. Andersom is ook mogelijk: het model kan de arts aangeven dat patiënt X een grotere kans heeft op een te lage nierfunctie, waardoor het zinnig is om deze patiënt eerder of vaker te laten prikken.

De uitkomsten van dit project zullen gepubliceerd worden in The Journal of Applied Laboratory Medicine.

We hebben een model ontwikkeld die waarden van de drie gekozen laboratoriumbepalingen (eGFR-CKD-EPI, Hb en CRP) kan voorspellen op ieder gekozen moment.

De dataset bevatte ±150 parameters, bestaande uit o.a. persoonlijke kenmerken zoals geslacht, leeftijd en BMI. Daarnaast bevat het verschillende medische indicatoren zoals tumorgrootte, operatieduur en postoperatieve bloeddruk. De dataset is opgeschoond en verrijkt, na een data-exploratie zijn er drie Random Forest modellen getraind.

De accuraatheid van de regressiemodellen (eGFR-CKD- EPI 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.